Finteza开发人员已推出一种新技术解决方案,可以评估流量质量并进行有效的机器人流量追踪。新功能旨在保护网站所有者免受欺诈性流量提供商的侵害。 系统执行多阶段综合流量评估: 第1阶段 评估访问的技术参数,并根据正式的度量标准识别12种不良流量类型:操作系统、浏览器、IP地址、屏幕分辨率等的分析。评估结果显示在“质量”页面。 图表以及图形会显示机器人流量所属的组别:垃圾邮件发送,密码猜测或恶意行为模仿。尤其应注意“引荐来源网址不匹配:虚假”部分。这部分包括试图伪造其来源的流量。 第2阶段 根据复杂程序细分的访问者行为分析和机器人流量识别。机器人流量的总体情况显示在“机器人评分”部分: 暗绿色流量减少而其他流量类型增加可能表明机器人流量问题可能导致您的业务亏损。Finteza实时交付数据,以应对极端情况的出现。 这是开发人员解释检测机制的方式:“每个访问者都通过一整套变量进行检查和识别。这只是此类变量的几个示例:
上述变量伴随着集中统计信息同时出现,总共产生超过20个分析分布。如果发现任何不一致,访问者将受到惩罚。惩罚点数取决于违规的严重性。这些点数总计为Finteza中显示的总评级。” 早在4月底,Finteza开发人员就宣布一个新电子商务版块,可使用户管理电子商务项目销售系统的多个方面。它支持根据8种事件类型和30个其他参数的报告(通过单个产品或购物车)。 |
|
而传统线下除了最终的成交结果数据,之前的过程基本没法采集留存,用户为什么成交,不成交的用户为什么走了,是一个黑盒子。
如今,越来越多的线下环节被互联网化、数据化,用数据改善线下流程成为可能,网站分析的很多理念也焕发出勃勃生机。
笔者供职单位从发力电商到O2O转型,网站分析也从纯线上分析到线上线下数据结合,笔者进行了较长时间的研究与实践,总结了一些心得体会。笔者将不会详细介绍具体的概念(很多网站可以参考,譬如“中国统计网”、“网站分析在中国”等),而是提炼一些应用的方法,努力写得浅显些,希望能对更多的人有帮助。
一、网站分析应从哪里开始
一个完整的网站分析应用过程是这样的: 分析目标 → 插码 → 分析 → 行动 ,但实际上大部分人是无法参与插码这个环节的,这样对数据理解不够深刻,分析起来容易产生偏差。为了便于理解,先简单介绍一下网站分析的原理。
主流的网站分析工具基本都是采用页面标记法,就是说在前端页面嵌入一小段可被浏览器执行的代码(如JavaScript),相当于给页面安装上摄像头,把用户在页面上的一举一动都记录下来,再传输给后端的服务器。
必须清楚的一个悲惨的事实是,网站分析没有准确的数据,可能是来不及加载采集代码、网络传输等原因,另外毕竟采集到的是终端行为,背后真实的人具体什么情况,到底是一直在浏览还是上了厕所再回来,我们无从得知。
数据采集是网站分析的起点,也是非常繁琐的工作,尤其开始的时候,页面、推广没有什么规范,只能定制采集代码,相当麻烦,即使是制定了规范,运营、开发经常赶时间上线,无暇遵循,人员的流动也影响规范的执行,经常到使用数据的时候才发现哪里哪里没有部署好。
办法也不是没有,譬如把采集规范固化到CMS、推广流程中,对采集数据进行异常监控等。
二、网站分析十字箴言
进入主题,如何用好网站分析数据,关键是把握十个关键字:转化、趋势、细分、对比、溯源,网站分析看什么, 就看两个:转化、趋势,怎么看?三个词而已:细分、对比、溯源!这些词并非笔者首创,而是前辈们总结出来的,笔者只是谈谈个人的理解。
1.转化
店里来了多少人,其中多少购买,这就是”转化”。我们在运营的时候,一般会设计一些用户的行为路径,譬如我们希望用户来访 → 访问宝贝页 → 进入购买流程 → 填写资料 → 确认支付或者 扫码 → 进入活动页面 → 参加活动等等。
我们希望看到用户在各个环节的流向,是否符合我们的期望,与之相对应的,则是那些不符合我们期望的“转化”(涉及的指标有“流失率”、“跳出率”、“离开率”、“退出率”,如果细究这些概念,又会有很多的不同,这里不展开介绍),我们想知道用户流失去哪里了,到底是什么原因。
“转化”二字,是运营的终极目标,也是网站分析的核心。 所有的分析都是围绕“转化”二字开展(那些流失、跳出、退出等可看作是不好的“转化”),做好转化分析关键是准确的把握哪些是关键环节,针对不同的场景进行不同的路径设计,形成转化漏斗图。
2.趋势
前面提到,网站分析数据是不准确的,但为什么它还有意义,因为数据的精度是稳定的(虽然不准确,但一直采用同一监测方法,带来的误差、误差的偏离方向是一致的),虽然具体数值不是绝对准确的,但是能够准确的把握运营的趋势。
对于运营来说,比当前更重要的是,是否在正确的道路上,网站的流量、转化是不是一直向好,重要环节、路径、页面体验是否持续提升,运营是否碰到天花板了等等。把握这个趋势,清楚自己是属于起步期、上升期、成熟期还是遇到了发展瓶颈,不同的趋势情况下要采取不同的运营策略。
3.细分
有一位前辈说的好:“无细分,毋宁死”。譬如告诉你网站访问上涨了10%,怎么回事?你可以通过网页进行细分,发现大部分网页流量没啥变化,只是某个活动页面涨了200%;或者通过流量来源细分,发现某个推广来源涨得不少,这样就清楚了,这只是一个简单例子。
不细分,就没有真相。选对细分的维度及维度的划分就非常重要,一般来说,细分维度的划分要遵循如下原则:确定哪些是稳定的、哪些是不稳定的,对不稳定的进行穷追猛打。
对于整站来说,一般直接访问、SEO来源等短时间内是比较稳定的,而推广是不稳定的;而对购买转化率来讲,可能要从流量来源、购买路径、产品等维度进行细分,因为不同来源用户质量不同转化率不同、不同购买路径不同、不同规格产品也不一样。
有时候,一些相对稳定的细分发生了较大波动,则要认真去分析了,可能是网站有重大问题或者整个互联网习惯发生改变。
4.对比
发现问题,从对比开始。和自己的过去比,横向比,和行业标杆比,和目标值比,和自己脑子的数据对比,细分了再对比…… 只有进行对比,才能发现问题,只有对比,才能找到提升的方向。
同样的数据,不同的人使用效果会大不不同,譬如一个整站转化率数据,甲只知道比过去提升了10%,而乙知道这已接近行业的最高水平,无需再在这里发力。每个人脑子里存储的经验数据不同,可供对比的数据不同,得出的结论也就有深浅之分。
5.溯源
有时候不管怎样细分、对比都不能发现问题,怎么办?就要追溯回源头,审视原始的数据记录,反思用户的行为以及数据采集的过程,另外,要和运营人员深入交流,有可能他们做的一些动作,而数据没有准确还原。
三、笔者独创的“点-面-线”网站监控分析体系
对于一个电商网站应该如何建立分析体系?应用上述的十字箴言,首先肯定是看总体的转化和趋势,然后按照细分原则,分为日常运营和促销活动监控两大板块。
对于日常运营,可划分为“点”、“面”、“线”三类关键元素,研究它们的转化和趋势。
点: 譬如广告位、二维码、导航、搜索、站内客服、推荐位等等,这些是引流到重要页面的点状位置,它们的引流率、二跳率对整站转化至关重要,譬如一般25%的订单那来自站内搜索,15%-25%的订单有站内客服的贡献;
面: 就是核心页面,譬如首页、着陆页、宝贝页、活动页等,它们是留住用户,促成转化的关键,这几类页面作用不同,都要构建相应的分析评价模型,如首页可用Heart模型;
线: 指的是核心流程,如订购、支付、注册等,这些流程是否顺畅,是否符合用户习惯,影响成交的临门一脚。
把这三类关键的元素分析透、做精,整站转化自然提升,做强内功,脉冲式的推广流量才能承接的住。
总结
互联网+时代,无处不互联网、大数据,现在搞个公众号、小网店、扫扫码等等实在太常见了,懂一点网站分析,能更好的适应整个社会的发展潮流。
许多营销人员和网站分析师通常止步于跟踪和分析用户的目标转化数据,但实际上我们可以做的事情还有很多。
以下是一些我们可以进行深入分析的内容:
我们要学会区分哪些是增长性的指标,哪些是参与度的指标。我们来看一下这样的一个场景:
假如我们在不断地获得更多新客户,从网站的转化与互动数据来看,网站的表现似乎不错,因为这些购买了产品的新客户可能会在他们的第一次访问过程中与网站的互动特别多,他们可能会浏览很多产品页面,添加了多个产品到购物车中,并最终购买了产品。如果我们只是关注用户和网站之间的总体互动次数,那么我们可能会认为我们正做着正确的事,网站的表现相当不错,但实际上网站的问题可能已经是相当严重。
比如,客户有可能在完成第一次购买后再也不会回访和购买产品,导致这种结果的原因有很多,比如客户可能不满意已购买的产品,或是对于我们的服务也有意见,但这些客户不一定会把问题和意见反馈给我们。
大量的新客户数据掩盖了这些一次性客户缺乏后期互动(二次购买)的问题。
这里提供一个可用的解决方案:
根据客户的购买日期(把购买日期设置为可分组的维度或属性)对客户进行分组。把在三月份购买商品客户作为一个群组,在八月份购买商品的客户作为另一个群组,依此类推。我们对不同的群组的客户进行分析,随着时间推移,每个客户群组与网站的互动情况有什么不同。例如,我们可以从数据中发现,在十二月份进行购买的客户会比在六月份购物的客户和网站的互动更多,带来的销售也更多,我们就可以深入分析其原因并提出优化方案。
高水平的网站运营人员或分析师能够基于客户的忠诚度(购买频率)对用户的行为展开深入分析。在这里我们会应用到细分分析,我们可以根据客户的购买次数对他们进行分组。有过3次购买行为的用户将组成一个群组,而有过7次购买行为的用户将组成另一个群组,依此类推,分析他们与网站的互动行为。
现在,我们可以看到每个群组的用户他们的表现是什么样的,比如:其中哪些营销活动带来了更多的二次购买?哪些用户会较为积极地在社交网站上分享我们的产品?而对于那些已购买了过不下三次的忠诚客户,他们的邮件点击率是多少?
我们都希望网站可以有更多的挥金如土的大客户!但是,从长远来看,我们怎么知道我们的访客的真正价值,他们对我们的业务做出了多少贡献呢?同样,如果我们的工作重点就是衡量纯粹的转化,那么我们真的不需要分析得太深入。但是,如果我们的工作重点是衡量客户的终生价值,分析谁才是真正给我们带来更多销售的人,我们就需要从不同的角度来分析我们的数据。
我们在这里可以把基于他们的订单价值把客户人口统计分为三个不同的组:大额订单客户,中额订单客户和小额订单客户,这样我们就能知道随着时间的推移哪些客户可以给我们带来更多的销售额。
通过观察这三个用户群的数据,我们就可以确认给我们带来较多大客户的流量渠道有哪些,或者我们可以从中发现大部分的出手阔绰的订单多属于一次性的购买,要获得这类客户的成本相当高。我们可能还发现,那些中额订单客户和小额订单客户,不仅有很好的留存率,他们在后期还会转变成大客户。
充分挖掘出我们最喜欢的消费人群的更多信息:他们来自哪里,他们在网站上会有哪些行为。了解他们来自哪里,我们就可以调整和优化营销预算,以吸引更多此类的用户。而了解这些客户与网站的交互方式,我们就可以更新和优化内容以满足他们的需求。
不同人口特征的用户的购买行为也会有着明显的差异,我们可以基于客户的性别和年龄分析他们的在线行为。
方法一,根据网站分析系统中的人口统计信息的数据进行细分分析;
方法二,根据后台的用户填写的信息设置的性别与年龄的维度作细分分析。
访问目的的细分是网站分析中非常重要的分析方法。如果我们不知道是谁访问了网站,他们为什么会访问我们的网站,那么我们也就不能精确地评估与优化我们的在线商城的表现。不同于之前所说的访问者类型的细分,行为或访问意图的细分分析需要使用到一些复杂的工具和技术。
比如,访问访问我们的网站可能是因为以下的一种或多种原因:
• 购买礼品
• 购买服装
• 退货
• 检查订单状态
• 检查礼品卡余额
• 查看最近的实体店
• 查找客服电话号码
• 搜索公司招聘信息
我们可以根据这些具体的行为,给用户添加上相应的标识,从而可以对用户进行细分分析和优化。
via:analyticskey
一、直接流量
直接流量通常是指访问者直接输入网址或从收藏夹中访问网站的流量,但在现实中情况要复杂的多,所有无法获得引荐来源的流量都被归为直接流量,例如:来自聊天工具QQ,MSN的流量,或者来自邮件客户端的流量都会因为没有来源信息而被归为直接流量。了解了直接流量的组成后,我们来分析下可能引起直接流量变化4种原因。
1品牌广告
品牌广告是造成直接流量变化的第一个原因。所谓品牌广告,我的理解就是除了网站名称或网址外啥信息也没有的那种。
场景分析:品牌广告最直接的目的就是让用户记住并访问网站,如果网址简洁又好记的话,用户会直接记住网站地址访问网站。这就造成了直接流量的增长。而如果网址较长那么用户会记住网站名称或某个slogan然后通过搜索引擎访问网站,这与直接访问无关,是我们后面要介绍的内容。
2热点事件
热点事件是造成直接流量变化的第二个原因。这里的热点事件既包括正面事件也包括负面事件。无论是网站自己制造的病毒营销还是因某个失误被网友发现并放大。当网站因为热点事件被广泛关注时,流量肯定也会随之增长。
场景分析:热点事件引起直接流量变化的理由很简单,想一下我们平时都是如何获得这类信息的,又是如何将这些信息分享给朋友的。是的,聊天工具QQ或者MSN。当我们在QQ群里看到带有链接的信息,并点击访问时。这次访问将被记录为了直接流量。
3内部访问
内部访问是造成直接流量变化的第三个原因。内部访问是指网站或公司内部人员访问网站产生的流量。通常网站都会屏蔽掉来自内部IP的访问量,但如何没有屏蔽或者因为某种原因无法屏蔽时,内部访问就成了影响直接流量的主要原因了。
场景分析:网站或公司内部员工会如何访问自己的网站?去搜索引擎搜公司名称?去找网站广告点进来?他们一定是直接输入网址访问网站,最差也是把网站放在收藏夹里然后点击访问的。大部分浏览器都有网站提醒功能,并且内部员工每天都需要频繁的访问网站,所以直接输入网站域名首字母,然后选择网址访问已经是最方便的一种方法了。所以,内部员工的访问量大部分都属于直接流量。
这里要特别说明下,如果你网站的内部员工数量少,不会对流量和指标造成太大影响,但如果员工数量众多,那么一定会对直接流量造成明显的影响。
4营销活动
营销活动是造成直接流量变化的第四个原因。营销活动包括各类的专题,抽奖,打折促销活动。营销活动最主要的影响并不体现在直接流量上,但如果活动本身影响力较大,那么肯定会对直接流量造成影响。方法和热点事件对直接流量的影响类似。
场景分析:我们可以把营销活动理解为另一类的热点事件。好友之间在聊天工具上分享打折促销信息,点击访问的流量将被记录为直接流量。甚至有些网站在活动推广时会专门雇用兼职在群里发布消息或链接。所以营销活动同样也会造成直接流量的变化。
二、付费搜索流量
付费搜索流量是指通过在搜索引擎购买关键词及对搜索结果广告位进行竞价的方式,从搜索引擎获得的流量。简单的说就是SEM流量。例如:百度竞价排名流量,Google AdWords流量等等。付费搜索引擎流量与其他流量比较,变化相对较小,可控制性较强。下面我们来分析下可能引起付费搜索引擎流量变化的几种原因。本文中介绍的付费搜索引擎流量不包含搜索引擎内容网络部分的流量。
1匹配方式
更改关键词的匹配方式是影响付费搜索流量的第一个原因。通常关键词都会有三种匹配模式,精确匹配,词组匹配和广泛匹配模式。不同的匹配模式决定了广告在搜索结果中被展现的数量,从而进一步影响到了关键词为网站带来的流量。当我们调整一广告系列关键词的匹配模式时,比如会对流量造成影响。
场景分析:在其他因素不变的情况下,我们将关键词“网站分析”由精确匹配调整为广泛匹配,这时候当访问者搜索“北京网站分析”,“网站分析笔记”这些词的时候都会触发“网站分析”这个关键词。而更多的展现量通常也将为网站带来更多的流量。
2出价策略
出价策略是影响付费搜索流量的第二个原因。忽略掉质量度的因素,出价策略直接影响广告的展现次数及排名。广告在搜索结果的不同位置(左侧或是右侧,第一名或者是第三名)获得的点击量都是有差别的。调整关键词的出价将会直接影响广告的位置,从而影响关键词获得的流量。
场景分析:在其他因素不变的情况下,调整关键词的出价将影响广告在搜索结果中的竞争力,降低广告在搜索结果中的排名,甚至影响广告的展示。这种情况下广告获得的点击量和流量都将减少。而反之亦然。
3修改创意
付费搜索引擎广告的创意是指标题和描述中的内容,这也是影响付费搜索流量的第三个原因。广告创意影响的不是广告位置和展现次数,而是广告的点击率。而相同展现量的情况下点击率高的广告也将获得更多的流量。
场景分析:访问者在搜索引擎中如何选择结果呢?依靠搜索结果中的描述。而对于广告,这些描述就是创意。与访问者搜索内容相关度越高的创意,越能获得访问者的点击。而不断的优化创意提高点击率又是SEM永无止境的一个优化方向。所以,当我们修改了关键词的创意时就会影响广告的点击率,从而造成付费搜索流量的变化。
4投放时间
调整广告投放时间是影响付费搜索流量的第四个原因。工作日8小时投放与7*24小时投放的关键词,在流量上会有很大差别。投放时间直接影响广告的展现次数,进而影响广告的点击以及为网站带来的流量。
场景分析:通常情况下,除了凌晨2点—早上8点。其他时间都是访问者搜索的活跃时间。而广告投放时间的长短和时间段选择会直接影响网站获得的流量。当我们调整广告在搜索引擎的展现时间段时,就一定也会影响付费搜索带来的流量。
5竞争对手
竞争对手是影响付费搜索流量的第五个原因。和前面三个原因相比,竞争对手影响的方面比较多,并且也比较复杂。竞争对手对于付费搜索关键词的匹配方式,出价策略,创意修改和投放时间的调整都可能会影响到我们付费搜索的流量。
场景分析:当我们与竞争对手购买同一关键词时,出价策略往往会决定双方广告的排名。双方的广告创意会争夺访客的眼球。而匹配方式投放时间的调整也可能使双方在更多的匹配关键词和时间段内展开流量的竞争。造成付费搜索流量的变化。
6关键词数量
购买关键词的数量是影响付费搜索流量的第六个原因,这与前面提到的匹配模式类似。新增加的关键词可以为网站带来更多的流量。但这只在一定范围内有效,当关键词对访客覆盖到一定范围时,新增加的关键词对流量的影响就微乎其微了。除了关键词的数量之外,关键词的质量也会对流量造成影响。扩展搜索量较高的关键词也会影响流量变化。
场景分析:和调整创意一样,扩词也是付费搜索引擎优化的一个方向。为了吸引更多的流量,需要为广告增加更多的展现机会。SEM们经常会使用各种方法来扩充自己的词库,例如:获取竞争对手关键词,寻找访问者真实搜索关键词,参考站内搜索关键词,等等。每当扩展出一批新词进行测试时,都会或多或少的影响付费搜索带来的流量。
7投放地域
投放地域是影响付费搜索流量的第七个原因,也是最简单的一个原因。地域对流量有限制作用。当一个地域的流量增长到一定程度时就无法再增加了。增加投放地域也就意味着增加了新的访问群体。同样也就意味着流量的增长。
场景分析:选择单独针对北京和同时选择北京上海两地投放广告的效果一定是不一样的。新增的地域范围会带来新的访客,新的流量。
A付费搜索品牌词流量
付费品牌词是付费搜索流量的一个子集,这类关键词通常是网站名称,网站域名或者是品牌名称,以及这些名称的扩展,缩写,谐音或者错别字等。对于我的博客,品牌词就是“蓝鲸网站分析”。这类关键词我们统一归为网站的品牌关键词。对于付费品牌关键词流量的变化,除了前面介绍的影响付费搜索流量变化的原因外,还有一些特定原因。这些原因造成付费流量中的品牌关键词。
1品牌广告
品牌广告是影响付费搜索品牌词的第一个原因。在分析直接流量时我们就说过,品牌广告会同时影响直接流量和搜索流量。而当品牌广告中网站域名不容易记忆的情况下,对品牌关键词的影响就会更大一些。
场景分析:访问者通常都很懒,也很依赖搜索引擎。如果广告中网站的域名不够简单。他们更愿意去记网站的中文名称。然后再通过搜索引擎访问网站。这就造成了品牌词流量的增长。
2软文,新闻
软文,新闻是影响付费搜索品牌词变化的第二个原因。软文和新闻是网站主动发起的营销活动,这类活动对访问者的覆盖范围较大。而如果软文或新闻稿写的好的话,还会吸引访问者继续下一步行动,通过搜索引擎搜索文章中的网站名称访问网站。
场景分析:通常在软文和新闻稿中都不能加入链接。但为了推广的目的都会有网站或公司的名称。访问者在软文中无法找到网站入口,所以只能从搜索引擎中搜索网站名称。这样就会造成来自付费搜索的品牌词流量变化。
B付费非品牌词流量
付费非品牌词是付费搜索流量的另一个子集,付费非品牌词的定义很简单,去除付费品牌词剩下的就是付费非品牌词。付费非品牌词中可能还包含很多类别子集,例如:商品的名称词,类别词,商品属性词等等。每一个子集的关键词都有各自的特点和规律。这里,我们不再做细分,只将这些词都看做非品牌词来分析。
1竞争对手
竞争对手是影响付费非品牌词的第一个原因。和影响付费搜索流量中的原因类似,当我们购买的非品牌词中出现了新的竞争对手,或者是这类竞争对手也购买了和我们相同的词时,就会影响付费非品牌词的流量。这里有朋友可能会问,竞争对手不也会影响品牌词吗?是的,但通常品牌词我们可以通过品牌保护来阻止竞争对手,并且搜索品牌词的访问者有更强的目的性。所以影响相对较小。
场景分析:当竞争对手调整非品牌词的匹配方式,扩词的时候,就会与我们现有的关键词产生重合,当我们查看发生变动的非品牌词时可能会发现,竞争对手的广告就出现在我们广告的前面。这种情况下,竞争对手就会对我们的非品牌词流量造成影响。
2热点事件
热点事件是影响付费非品牌词的第二个原因。这里的热点事件与前面造成直接流量变化的热点事件不同。多是针对网站中某类内容或商品的热点事件。这种热点事件发生时,不是针对网站,而是针对某类特定的内容或商品。而此时如果网站购买了相关的关键词,就会造成非品牌词流量的变化。
场景分析:当某本图书变为畅销书时,访问者会直接搜索图书的名称而不会去搜索某个网站的名称。而如果此时你也购买了这本图书的关键词,那么就会对付费非品牌词造成影响,而不会影响付费品牌词的流量。
三、自然搜索流量(SEO流量)
自然搜索流量是指来自搜索引擎的非付费流量,也可以理解为SEO流量。因为现在几乎所有的网站都很在对自然搜索流量进行优化,所以自然搜索流量也变的不那么自然了。网站通过对关键词,页面结构,内容撰写,链接与锚点的调整等手段,可以影响自然搜索流量的变化。 下面我们来分析下影响自然搜索流量变化的几个原因。
1网站收录量
网站页面被搜索引擎的收录数量是影响自然搜索流量的第一个原因。收录量的多少会影响网站获得的流量。但这里有一个二八原则。大部分页面的收录量变化不会对网站流量造成显著变化。通常只有很少一部分关键页面的变化才会对流量造成影响。但即使这样网站收录量变化仍然是我们需要关注的一个原因。
场景分析:当网站在搜索引擎的收录量发生变化时,我们看到最直观的变化就是关键词的数量变化,带来流量的关键词数量变少了,但流量本身的波动可能并不大。而当收录量开始增加时也同样如此。收录量作为获得搜索流量的一个门槛,短期不会对流量造成明显影响,但长期来看还是需要我们关注的。
2标题描述优化
标题和描述的优化是影响自然搜索流量的第二个原因。这和SEM的创意优化很像,都是通过对搜索结果中标题和描述内容的优化来吸引访客眼球,通过提高点击率来增加流量。与SEM不同的是,自然搜索中对标题和描述的修改没有SEM那么立竿见影。往往会有一定时间的延迟。
场景分析:这里的情况和SEM的创意优化很像。不同的是我们通过修改页面中的meta标签来调整网站在搜索结果中的呈现。单一页面标题和描述的修改同样不会立刻带来流量的显著变化,因为一个词带来的总流量是有限的。但当我们统一修改某一频道或一类页面的标题和描述模板时,肯定会对网站流量造成影响。
3排名与外链
排名与外链是影响自然搜索流量的第三个原因。也是最主要的两个原因。排名的变化直接影响流量的变化。第一页与第二页的流量有着天壤之别。而外链则是影响排名最主要的一个因素。排名对流量的影响是即时的,外链对流量的影响是长远的。
场景分析:网站关键词排名下降意味着什么,我想不用说大家也都知道。这也是为什么SEO们要努力将关键词做到第一页甚至前三名的原因。访客从上致下浏览网页,没有好的排名就意味着访客在没有看到你之前就离开了。外链则是影响排名最主要的因素。当看到SEO的外链专员开始广泛交换和购买外链时,我们应该在流量日记里记录下来。并在未来开始关注流量的变化。
4竞争对手
有人的地方就有江湖,有流量的地方就有竞争。对于自然搜索流量也一样。热门搜索关键词是每个网站都关注的地方。在我们不断优化网站,购买外链,提高排名时,竞争对手也没有闲着。所以,竞争对手的动作和优化策略也是影响自然搜索流量变化的第四个原因。
场景分析:当我们搜索关键词时,会向后看到第几页?多半都会在第一页解决问题。所以,当我们的关键词被竞争对手挤出第一页时,流量也一定会发生显著的变化。对于流量下降明显的热门关键词对半我们要对比下排名的历史记录。
5网站内部调整
什么是网站内部调整?最简单的介绍就是改版。对于搜索引擎来说,改版是网站最大也是最混乱的一次内部调整。搜索引擎需要重新来认识这个网站的结构和内容。所以,网站内部调整是影响自然搜索流量的第五个原因。
场景分析:每次改版对于SEO来说都是痛苦的,因为他意味着太多的改变。对于搜索引擎也是一样。搜索引擎需要重新收录新页面,这个过程会同时影响到前面介绍的收录量,标题和描述优化,和排名。
6服务器状态
服务器状态是影响自然搜索流量的第六个原因。网站的所有页面都保持在服务器里,如果服务器在蜘蛛访问运行不稳定,或者直接宕机。那么一定会影响搜索引擎对页面的收录。并且进一步影响排名或流量。
场景分析:我们会经常访问一个不稳定的网站吗?不会的。蜘蛛也一样。当服务器状态不稳定时,蜘蛛就会停止对网站的抓取。并且对于搜索引擎来说,为了保证访客的搜索体验,也不会给一个不稳定的网站很高的排名。而收录,排名都讲直接影响网站的流量。
7 SEM策略
SEM策略是影响自然搜索流量的第七个原因。SEM策略也会影响SEO的流量变化吗?是的。在搜索引擎流量中,SEM流量和SEO流量有着密不可分的联系。他们既有相同的变化趋势,也会相互争夺流量。
场景分析:对于同一个关键词,SEM广告的排名一定会高于SEO的排名。这种情况下,SEM的广告就会抢走本来属于SEO的流量。造成SEO的流量减少。而当SEM停止投放这个关键词时,SEO的流量又会增长。
A自然搜索品牌词流量
自然搜索品牌词是自然搜索流量的一个子集,自然搜索品牌词与付费搜索品牌词的定义是一样的,这里我们也建议两者使用统一的标准。便于两者的对比和分析。
1 SEM品牌词策略
SEM品牌词策略直接影响SEO品牌词的流量变化。对于真正的品牌词我们也许不用购买。但对于品牌词的扩展,错别字和缩写等等情况。则必须使用SEM来获得好的排名。所以一旦我们对这些词进行竞价,就会影响SEO品牌词的流量。
场景分析:此处场景与SEM策略类似。
2品牌广告
品牌广告在这里也会影响SEO品牌词。情形和付费搜索品牌词类似。访客通过搜索引擎寻找网站时,不会100%的点击付费广告,同样也会点击下面的自然搜索结果。而且这也是最自然的一种情况。所以,强大的品牌广告除了会影响直接流量,付费搜索品牌词之外,还会影响到自然搜索品牌词。
场景分析:此处场景与付费搜索品牌词类似。
3软文,新闻
软文,新闻同样也会造成SEO品牌词的流量变化。与付费搜索品牌词一样。访问者在软文中找不到网站入口时,会通过搜索引擎搜索网站名称或品牌词。在搜索结果中访客也会同时点击自然搜索结果。造成SEO品牌词流量变化。
场景分析:此处场景与付费搜索流量中的软文,新闻类似。
B自然搜索非品牌词流量
自然搜索非品牌词是自然搜索流量的另一个子集,排除自然搜索品牌词,剩下的就是自然搜索非品牌词,与付费搜索非品牌词一样,自然搜索非品牌词也包括很多的子集。并且这些子集要多于付费搜索非品牌词的子集。而且更加广泛,更加没有规律。这里,我们将这些子集都归为非品牌词来统一分析。
1竞争对手
竞争对手在非品牌词上的变化是造成自然流量流量变化的一个原因。情形和自然搜索品牌词类似。这里我认为付费搜索非品牌词对自然搜索非品牌词的影响要小于品牌词的情况。但实际情况远比想的要复杂的多。
场景分析:此处场景与自然搜索品牌词类似。
2热点事件
与付费非品牌词类似,热点事件也是造成自然搜索非品牌词变化的第二个原因。访问者在搜索特定关键词时,可能会点击付费结果,也可能点击自然搜索结果。所以,当有热点事件发生时,针对的付费与免费的关键词都应该会有变化。
场景分析:此处场景与付费搜索流量非品牌词的热点事件类似。
四、引荐流量
引荐流量是指除搜索引擎之外其网站带来的流量,通常这类流量都是免费的。通过交换链接,或者互换广告位,或其他合作方式获得的流量。引荐流量也会随链接形式,链接位置,等因素发生变化。下面我们分析下常见的几种影响引荐流量的原因。
1引荐网站自身流量变化
引荐网站自身的流量变化是造成流量变化的第一个原因。引荐网站自身的流量大小决定了我们可以从该网站上获得的流量。如果一个网站每天只有几千次访问,那么再大再吸引人的广告也不会获得更多的点击。
场景分析:因引荐网站自身流量变化造成的引荐流量变化,是一个长期的过程。一个网站很难在数周内蹿红。所以,如果发现来自某网站的流量逐步增高,并且质量变化不大。而我们又没有在该网站上增加或修改引荐链接的方式。那么就应该关注下该网站自身的流量变化。
2引荐链接形式变化
引荐链接的形式是造成引荐流量变化的第二个原因。同样在一个网站中,文字链接和图片链接获得的关注和点击量是不一样的。所以,改变引荐网站上的链接形式也会造成引荐流量的变化。
场景分析:在引荐网站报告中,Google Analytics可以告诉我们每个引荐页面带来的流量。如果引荐网站整体变化不大,但某个引荐页面流量有变化。就需要我们检查这个页面的链接形式了。
3所在频道及位置变化
引荐链接所在的频道及页面位置变化是造成引荐流量变化的第三个原因。同一个网站中,首页和内页获得的流量相差巨大。同一页面的首屏和底部获得的点击也相差很多。所以,改变链接所在的页面及页面位置也会影响引荐流量的变化。
场景分析:和引荐链接形式类似,通过Google Analytics的引荐页面报告我们可以获得每个页面带来的准确流量。当这些页面的流量发生变化,或者是出现了新的流量来源时,我们都需要检查链接在网站及页面中的位置变化。
4锚点文字及内容变化
最后一个影响引荐网站流量的原因是链接锚点文字或图片内容的变化。这里指的不是文字链变为图片链接。而是通过更改文字链的描述,或更改图片的颜色,内容造成的引荐网站流量变化。
场景分析:更改文字描述和广告颜色会提高引荐流量吗?是的。但可能不会很多。这要根据引荐网站的具体情况来分析。但访问者总是会对颜色鲜艳,文字诱人的链接感兴趣。和前面分析链接形式和所在位置一样,当某个页面的引荐链接流量发生变化时,检查他们的图片或文字内容。
本篇文章到这里结束了,不过我们对流量变化的原因分析并没有结束。本篇文章只列举了网站中最常见的几种流量类型。不同的网站还会包含更多不同的流量分类,例如:campaign流量,EDM流量,SNS流量,线下活动流量,专题活动流量等等。这些流量类别的变化原因我们将在以后的文章中继续分析。
在开始谈论跨屏分析的重要性和价值之前,我们先来简单的回顾一些背景信息。这就是我们的网站分析工具是如何来定义,区分和计算唯一身份访问者?下面我们逐一来回顾下这些基础知识。
访问者定义
网站分析工具依靠IP或Cookie来定义访问者。一个IP地址或一个Cookie就代表一个访问者。早期的日志分析工具依靠IP地址,但由于存在多个人公用一个IP地址的情况,例如网吧,或者学校机房等等。因此现在大部分的网站分析工具都是以Cookie来定义访问者。Cookie是存储在访问者浏览器中的一个文本文件,用来记录访问者的身份信息。当然也有一些分析工具可以进行定制,当访问者浏览器禁用Cookie时通过IP地址继续定义并追踪访问者。
访问者区分
用于定义访问者的Cookie中有一串唯一的数字,这串唯一的数字就是访问者的ID。访问者ID会在访问者每次访问网站或浏览页面时跟随其他指标一起返回网站分析工具的服务器。网站分析工具通过这串Cookie中的唯一数字ID来区分访问者的身份。如果发现多条日志中的访问者ID都相同,则判断这些访问或页面浏览行为来自同一个访问者。
唯一身份访问者的计算方法
网站分析工具对于访问者采取排重的计算方法。换句话来说网站分析工具提供的是唯一身份访问者数据。以下三个测试可以说明网站分析工具是如何对访问者进行排重计算的。
测试1,按时间维度对访问者进行排重。
将一周内网站访问者的数据按天分别取出进行汇总,并与网站分析工具提供的一周汇总访问者数据进行对比,你会发现以天作为维度的访问者汇总数据要大于以周作为维度的访问者数据。原因很简单,一个访问者连续一周7天都访问了你的网站。这时以天作为维度,每一天中这个访问者都是唯一的。按天汇总的访问者数据为7。而以周作为维度,在这7天中只有1个唯一访问者,到访过网站7次。从数据准确性的角度考虑,排重后的访问者数据更为准确。
测试2,按来源维度对访问者进行排重。
按来源维度对访问者进行排除与前面按时间维度进行排除的例子相似,将不同来源维度的访问者数据分布取出进行汇总,并与同一个时间段的网站访问者数据进行对比,你会发现按来源汇总的访问者数据要大于网站的访问者数据。因为同一个访问者在一段时间内可能会通过多个不同的渠道或媒体到访你的网站。如果仅从渠道或媒体维度来看,这个访问者是唯一的。但扩大视角从网站的维度来看,无论访问者的来源渠道有几个,唯一身份的访问者都只有1个。
测试3,按内容或页面对访问者进行排重。
除了按时间和来源对访问者进行排重以外,还有一个在数据统计中最容易被误解的方法,就是按网站的页面对访问者进行排重。这类排重的方法与前面的两类测试非常相似,只不过将时间维度和来源维度替换为了网站页面。因此,如果你将访问每一页或每个频道的访问者单独取出并进行汇总,那么这个数据会明显大于网站维度下的访问者数量。因为一个访问者可能看过多个频道或页面,从每个频道或页面的维度来说,这个访问者都是唯一的,但从网站这个更高一级的维度看来,只有一个唯一的访问者。
啰嗦到这里你可能已经发现了,为了保证唯一身份访问者的数据准确,网站分析工具会从整个网站的维度对访问者进行排重计算。而这一切的前提都是网站分析工具能够在不同维度下识别并区分出这个访问者。但在实际的访问场景中,有一些维度网站分析工具没有办法进行排重操作。例如不同的浏览器,和不同的终端设备。因为网站分析工具赖以定义访问者的ID存储在Cookie中,而Cookie是基于浏览器端的。换句话说就是访问者在不同的浏览器或设备中会拥有不同的访问者ID。这就导致了网站分析工具没有办法在浏览器和设备维度下对访问者进行排重。
从技术和指标计算的角度来看,跨屏追踪的这个新功能的主要作用就是用来在不同浏览器及设备间精确定义和识别访问者,并对访问者进行跨屏幕,跨设备的识别和排重。使我们获得的唯一身份访问者数据更加精确。
目前大部分网站分析工具实现跨屏追踪的原理大致相同,都是通过访问者的唯一身份标识在不同的设备间定义和识别访问者。然后在服务器端按照唯一身份对访问者使用的设备,访问行为进行排除和汇总处理。但在跨屏追踪中,这个唯一身份标识不再来自于Cookie中的访问者ID。而是依赖于访问者在网站中的唯一身份标识。换句话说,网站分析工具把跨屏幕跨设备识别用户唯一身份的工作交给了网站。而这个唯一身份标识,通常也就是访问者的登陆账号。当访问者在网站中完成登陆操作后,就会以此作为访问者的唯一身份ID。
以Universal Analytics为例,如果要对访问者进行跨屏追踪,需要在全局代码中添加一行代码用于获取这个访问者在网站中的唯一身份ID。并将这个ID返回给Google分析服务器。进行后续的排重和汇总处理。
1
|
ga( 'set' , '&uid' , '访问者唯一身份标识' ); |
我们以bluewhale_test作为访问者唯一身份标识为例。这段代码在你的页面全局代码中应该是下面的样子。
1
2
3
4
5
6
7
8
9
10
11
|
<script> ( function (i,s,o,g,r,a,m){i[ 'GoogleAnalyticsObject' ]=r;i[r]=i[r]|| function (){ (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1* new Date();a=s.createElement(o), m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m) })(window,document, 'script' , '//www.otias-ub.com/analytics.js' , 'ga' ); ga( 'create' , 'UA-12347890-11' , 'bluewhale.cc' ); ga( 'set' , '&uid' , 'bluewhale_test' ); ga( 'send' , 'pageview' ); </script> |
当代码被执行,我们可以发现和验证两件事情,第一,访问者被成功的赋予了唯一身份标识后,我们可以在返回数据中看到本次的访问和页面浏览行为属于用户bluewhale_test。第二,这个访问者唯一身份标识并没有存储在Cookie中,而是直接发送到Google分析的服务器。
当这个访问者在其他设备登陆网站时,我们也将同样为他赋予bluewhale_test的标识。这样在服务器端我们就可以对这个访问者进行识别,并将他在不同设备间的访问行为进行归并计算,以实现跨越屏幕和终端的访问者追踪。但这里有个问题,就是访问者必须完成登陆操作才可以被标识。如果访问者仅仅到访网站而没有完成登陆操作呢?这里我们介绍跨屏追踪的一个加强版,webtrekk中以唯一身份ID+cookie的标识方法来解决未登录的用户标记问题。
当一个访问者在网站进行了注册或者登陆操作,那么webtrekk系统会将访问者的用户名作为唯一身份访问者ID对访问者进行标识。这和之前介绍的方法和流程没有区别。但webtrekk在后台还会做一件事情,就是将当前访问者的唯一身份ID与他cookie中的访问者ID进行关联。那么在不删除Cookie的情况下,下次这位访问者到访网站时无论是否进行登陆操作,webtrekk都能再次识别出他,并且将他与之前的历史行为进行关联。
上面的图表清晰展示了这个过程。当这名访客登录后,webtrekk将cookie中的访问者ID与URM的唯一身份ID进行关联。URM唯一身份ID用来识别用户,基于cookie的不同访问者客ID就会赋予到唯一身份ID中。如果任何一个唯一身份ID发送到Webtrekk,相关的cookie访问者ID也会添加到其中。URM唯一身份ID只在第一次关联(绿色箭头)的时候用到。之后,关联机制便独立于URM唯一身份ID(灰色箭头)。这样当访问者不再进行登陆操作时,我们也能根据之前建立起来的关联关系对访问者进行识别。
使用跨屏追踪功能后,我们可以在网站分析工具的报告中看到更精确的访问者数据和访问者在不同终端设备间的使用路径。下面我们分别以Universal Analytics的跨设备报告和webtrekk的跨屏报告为例,来看下工具是如何计算访问者数量和呈现终端设备路径的。
第一个是Universal Analytics跨设备报告中的设备路径报告。在这个报告中我们可以看到两个重要的信息。第一个信息是设备路径。这里显示了访问者先后分别通过两个不同的设备访问网站,分别是Desktop和Mobile。第二个信息是用户数和会话数。在没有使用跨屏追踪功能时,会被记录为两个访问者和3次会话。而在使用跨屏追踪后,通过跨设备排除只显示了1个用户和三次会话。数据更加准确。
第二个是Webtrekk的跨屏报告。通过这个报告我们可以发现每一个唯一身份访问者在不同时间中对不同设备的使用情况和顺序。这比之前Universal Analytics报告中的提供的内容要更加丰富和详细。
前面我们一直都在从技术角度介绍跨屏追踪功能的作用。但他最大的价值还是体现在业务层面。下面我们分别从网站主,网站分析工具和广告主三个不同的角色出发,来看下跨屏追踪在业务上解决了哪些问题。
网站主角色:,
从网站主的角度来看,跨屏追踪最大的价值是可以精准的定位和追踪人的数据,而不是浏览器的数据。访问者的数据不再是割裂在不同浏览器和设备间的数据孤岛。我们可以有效的将访问者在不同设备间的访问行为进行关联,并获得完整的访问行为和设备路径。
网站分析工具角度:
从网站分析工具角度来看,跨屏追踪非常有希望摆脱依赖Cookie来定位和获取访问者数据。Cookie一直都是网站分析工具获取访问者行为中的重要一环,但这一环又是如此的脆弱。访问者,浏览器,和各种插件都会对Cookie以及数据的准确性造成影响。而现在,网站分析工具已经在改变方法,减少对Cookie的依赖,将大部分的数据记录和匹配工作转移到服务器端来进行。目前唯一还需要用Cookie来记录的就是访问者的身份ID。而通过跨屏追踪功能的普及,大部分访问者都会被网站进行标记。这将大大减少Cookie被删除造成的数据准确性问题。
广告主角度:
最后,还需要从广告主角度来看一下跨屏追踪的价值。我们不知道网站分析工具所获得的数据和信息是否会被用于精准广告投放。但从广告主角度来看,更精准的唯一身份访问者以及跨设备的长期访问历史行为数据对于精准广告投放来说确实是非常有价值的。
—【转自“蓝鲸网站分析博客”】
亲爱的网站分析师们,你在工作中最大的烦恼是什么?对于我来说,最大的烦恼莫过于无法通过数据解决问题,获得洞察。
虽然网站分析的方法有很多种,细分分析,对比分析,趋势分析,转化分析等等。但所有这些分析方法或者模型仅仅都只是手段,没有任何一种方法保证你一定能从数据中发现问题获得洞察。即使是被誉为网站分析杀手锏的细分也是一样。这时,我们就像在数据和洞察间绕圈子。说的好听点叫做在不断的试错(这种试错的过程多半是在拼人品,碰运气,多数时候都不会有结果),而其实就是在数据中兜圈子。这个过程真是求生不得求死不能。
为什么会出现这种情况呢?原因不在于网站分析方法本身,而在于我们手中的数据。更准确的说是获取这些数据的过程。
网站分析中有一个非常重要的原则,GIGO原则 (Garbage In Garbage Out输入的是垃圾,输出的也是垃圾)。
现在重新审视一下我们之前的问题,在网站分析过程中,我们所获得的数据大部分都属于低价值的基础数据。这些数据有两类共同的特点:
对于这样数据,无论是你使用什么样的分析方法,都很难从中获得洞察。原因很简单,数据本身就缺少价值。解决的方法需要你从所拥有的数据中跳出来。重新审视获得这些数据的过程。数据的获取过程不应该开始于追踪代码或是网站分析工具。而是应该来自网站自身的业务需求。保证数据从一开始就与业务有紧密的联系。
这个过程我在之前的文章《Google Analytics实施七步曲》中曾经简单介绍过。这里再从另一个角度进行说明。从数据中获取洞察分为四个部分:
在这四个部分中,第二部分代码设计是最关键的一个步骤。我认为这一步应该是进行一次网站分析的开始。而对于那些无法通过数据获得洞察的分析师来说,这一步则是他们开始犯错误的第一步。下面我们来详细介绍下代码设计在网站分析中的重要性。
回想一下你是如何在网站中实施追踪代码的。我们以Google Analytics为例。我最常见的代码实施方式有两种。
这两种代码实施方式我也都使用过。但现在看起来,两种代码实施方式都存在严重的错误和问题。因为两种方式都没有代码设计过程。这样就意味着这两种方式所获得的数据都与网站的实际业务模式有较远的距离。再说的严重一些这类的代码实施过程所获得的数据根本就是错误的。如果你不信的话请来回答以下几个问题。
以Google Analytics为例:
网站分析工具默认的访问者有效时间为2年。这符合你网站的业务模式吗?如果所有实施GA的网站都不对这个值进行修改,那么所有的访问者有效期就都将是2年。这里可能既包含新闻资讯类网站,也包含电商类网站。这你觉得合理吗?
网站分析工具默认的访问结束时间是静止30分钟。这符合你网站的内容和用户行为吗?很显然游戏类网站,资讯类网站和视频类网站对这个默认时间会有很大的差异。
网站分析工具默认的广告流量有效期为6个月。这符合你对广告流量效果的衡量标准吗?快消类网站和房地产类网站对广告效果的衡量周期会不同。
以上的默认值是网站分析工具定义的,而这个工具并非为你的网站或行业定制。同时,这些默认值也将影响网站分析中最基础的指标计算。例如Visitor和Visits等等。因此,这些默认值在代码实施之前都是需要按实际的业务需求进行定制的。
前面是从技术角度考虑的代码定制问题,从业务角度则还要复杂的多,并且需要结合实际的网站结构及具体需求进行定制和实施,这里建议在对大量的业务需求进行定制追踪时使用《使用Tag Manager事件监听功能追踪页面链接属性》文章中介绍的方法。后续我们将整理出一套流程和业务代码定制规范来和大家一起分享。
这里我们整理了15个在进行网站分析前的代码设计过程中需要考虑的问题。当然,真正要考虑的问题因网站而异,肯定是要超过这15个问题的。这里算是抛砖引玉。仅供大家参考。
我所推崇的有价值的网站分析流程分为5个关键步骤:业务问题—>代码设计—>代码实施—>数据反馈—>发现并解决问题
从业务问题开始,对网站分析代码进行设计和定制,这里既包括技术类代码定制,也包括业务类的代码设计。这一步是输入阶段,直接决定后面收集到的数据在业务及运营中是否有价值。然后是代码实施过程,数据反馈和分析过程。在保证了数据与业务的联系和价值后,我们才有可能发现答案及洞察。
来源:蓝鲸网站分析博客
2013年值得一提的成就有:
在已有的丰富经验驱使下,2014年Web分析的发展将会更快。以下是我们预测的2014年网站分析10大发展趋势。
当涉及到内容(文本、图像、视频等)时,大多数Web分析平台都会显示相同的数据——浏览、着陆页面访问量、下一页浏览、跳出页等。为了内容的实际参与报告,分析师需要借助更好的内容分析工具来进行跟踪,如滚动、鼠标移动、缩放和高亮。
现在,几乎所有的网站分析平台,都专注于单一访问的报表。实际上,持续性跟踪变量可用于显示多访问属性,网站所有者更需要看到访客行为的变化,以为产品/服务的发展提供更好的支撑。
我们与网站互动的方式正在发生改变。触屏的笔记本电脑、职能手机、平板电脑、Web浏览器的游戏系统等,均允许我们与网络进行物理交互。Web分析平台需要帮助我们跟踪变焦、设备方向、倾斜以及其他肢体动作。目前的Web分析平台跟踪这种类型的互动需要大量自定义的JavaScript。2014年,我们希望看到网站分析工具提供这种类型的对话框跟踪。
在过去的5年,网站使用的视频内容越来越多,但是大多数网站分析平台任然不能帮助分析人员分析视频的访问者。Web分析厂商应该提供更好的开箱视频跟踪功能。
许多企业无论大还是小,都有跨域的多个站点。他们的潜在客户、客户、合作伙伴、员工等都可能进行跨域的多次访问或单独访问。但是目前大部分Web分析平台不能进行跨域跟踪。虽然这不是大多数网站所有者面临的问题,但是我们还是希望这个问题在2014年能得到解决。
谷歌继续加密用户搜索的提交,这使得检测SEO性能和优化很困难。分析师需要谷歌提供某些形式的帮助,如果没有显示精确搜索短语,也许他们可以公开搜索短语类别等。这将有助于网站所有者能够分析SEO报表,但是又不用担心用户隐私或网站完全性。
如果说2013是“大数据”的一年,那么2014将是数据与网站分析集成的一年。像Adobe Analytics和IBM CoreMetrics这样的平台,使分析人员能够集成来自多个数据源的网站分析数据进行分析。2014年,我们希望Web分析平台提供更优秀的工具,帮助网站所有者360度的分析他们的潜在客户和现有客户。
多数网站中最常用的管理工具就是内容管理系统。我们希望CMS厂商能够将Web分析工具与CMS系统集成,这样网站所有者使用起Web分析来将更加得心应手。
谷歌2013年有一项很了不起的改进,与其他平台分享Google Analytics数据。但是网站分析领域其他厂商还都不支持,希望2014年其他Web分析提供商也能提供该功能。
像Google Analytics、Webtrends和Adobe Analytics这样的Web分析平台,他们都是伟大的跟踪访问者。但是这些平台不提供数据操作方面的功能。使Web分析工具具有商业智能方面的编辑字段和值的功能,将使Web分析功能更加完善。
网站分析最基本的应用就是监控网站的运营状态。收集网站日常产生的各类数据——点击流数据、运营数据、用户数据等,并通过统计这些数据生成各类网站分析的报表,对网站的运营状态进行系统地展现。从点击次数、浏览次数、用户数的变化趋势,到比较新老用户比率、页面流失率和目标的实现率,数据帮助运营者从多角度观察网站的状况是否良好。
如果没有网站分析的日常报表数据,无疑会让网站运营者感到恐慌,因为他们失去了对网站现状的感知,也许网站一天会有几千几万的访问量,也有可能只有个位数的用户访问了网站,这样网站的运营就像是闭门造车,没有了目标和方向。
当然,有些网站的数据不仅能监控自身网站的运营状况,而且互联网或某些领域的发展状态提供参考依据,Google的搜索趋势、百度的搜索风云榜是网络热点的风向标,当然我们现在可能会更多地去关注微博上的实时热点信息;淘宝的数据中心为电子商务的交易趋向提供依据。
说到网站推广,也许最先想到的就是SEO和SEM,但网站分析不仅能够提升网站在SEO和SEM上的表现,同时其对网站的精准营销也能起到有力的支持。
SEO和SEM是网站分析中很重要的一块,因为它们是网站获取流量的重要途径,而流量又是网站的基础,所以我们必须清楚的把握网站在SEO和SEM方面的表现。
分析SEO主要是分析网站在各搜索引擎的相关关键词排名、搜索词的点击转化率(CTR)及网站在搜索引擎的收录情况、外链数据、错误页面等,关于SEO网上的介绍很多,最关键的还是网站自身的内容质量及在SEO上面的优化。
SEM的效果很多是通过计算各关键词或者推广来源的投资收益(ROI)来衡量的,一般投入成本比较容易衡量,而产出收益的衡量就会相对困难,需要细分各来源和关键词,电子商务还有直接的利润可以衡量,如果只是信息发布引导线下交易那么分析会困难得多,网上也有很多这方面的文章可以参考。
SEO和SEM提高了网站的曝光率,让用户能够更容易地找到我们的网站,但有时我们也需要将我们的网站定向地推给某些用户,也就是网站推广中最常见的线上推广。
这里主要包括用户细分、来源细分和目标市场的细分,通过用户行为分析进行的用户细分让我们能够了解网站主要吸引的是哪类用户,基于来源的搜索关键词和来源网站可以了解用户主要关心网站的哪些信息以及他们会通过哪些相关的途径找到我们,这为我们的线上推广指明了方向。如果网站要发布一个产品或者做一个活动,也许这时候你就清楚的知道需要给那些用户发直邮,在哪些网站上投放广告,推广的内容应该如何组织能够吸引到更多的用户……
我之前的很多关于用户分析的文章介绍了如何更好地去发现网站的忠诚客户、有价值客户,以及用定量的方法去评价网站的用户,其实这些也为网站的精准营销提供了很好的参考依据。
除了线上推广外,很多网站也会定期进行线下的推广。线下的活动和推广往往会直接展示网站的URL地址,在数据的表现上以直达流量为主,所以评估线下推广效果的关键在于区分哪些流量来源于线下推广?其实网站分析的数据获取途径十分广泛,我们可以通过一些特殊的手段来做到这一点。
比如你会发现Avinash Kaushik的书里面引用的很多网址是类似短网址(Short Url)的形式,通过跳转转到相应的页面,线下推广也可以借用这种方式,在线下公布一个特殊的专用于某次推广的网址(如http://webdataanalysis.net/offline)重定向到目标页面(如http://webdataanalysis.net/),这样在网站分析中只要选取那些来源是公布出去的特殊的URL(如http://webdataanalysis.net/offline)的浏览就可以统计线下推广的效果了,当然也可以使用URL参数的方式在目标URL后面加上类似?from=offline&campaign=……的参数,通过统计这些参数页面被浏览的次数并细分各线下推广途径的效果。 但这里有个问题就是,网址往往是网站品牌的一大要素,尤其是那些直观易记的网址,所以线下推广偏向于使用原始的网站地址,以便于有更好的辨识度,让用户记住这个网站,这就给网站分析的流量区分带来了一定的难度,也许只有通过访问流量的趋势分析来衡量线下推广的效果了。
通过对外推广,也许已经有很多用户开始进入并访问你的网站了,但用户是否会对你的网站感兴趣,或者是否能够持续访问变成网站的忠实用户,这些就取决于你的网站是否有留住用户的能力了,也就是你的网站是否具有足够好的用户体验,来实现用户的期望和满意度。
无疑,那些简单易用的交互流程能够帮助用户更好地实现他们的操作和目标,而用户也会更喜欢使用那些设计得更加人性化的网站,能让他们随心所欲的穿梭其间。
我们通常会用转化率(Conversion Rate)和任务完成率(Task Completion Rate)来衡量网站交互的效果,而对于某些基于任务或者应用导向的网站,这方面的分析尤其重要。通过分析找出一些交互中的不足和遗漏环节或者化繁为简,能够有效提高转化率及用户完成任务的几率,从而有效提高网站的收益。
我的博客中近期的几篇文章都介绍了如何让用户更好地找到需要的信息,其中包括优化信息架构、优化站内搜索等,这些无疑都能更好地留住用户,让他们继续浏览网站的内容或者继续使用网站的提供的服务。
与其被动地让用户自己去寻找感兴趣的内容,不如主动地将一些用户可能感兴趣的内容推荐给用户,也就是现在很多网站都在做的基于用户行为分析的关联推荐功能,我之前的文章也介绍过网站数据分析在这方面的应用。
也许很多人对网站分析的概念还停留在网站的日常数据报表上,其实网站分析的范围远不止这些,用户问卷调研(Survey)、可用性测试(Lab usability testing)、以及我之前介绍过的实景调研(Site visits)都属于网站分析的范畴,Avinash Kaushik把它们归为网站分析中的定性分析(Qualitative Analysis)。也许你会说这些不是UED或者UCD们的工作吗?是的,这些分析的目的都是为了提升用户体验,UED们是用户体验方面的专家,而网站分析师在数据的获取和分析方面更加专业,所以为什么不合作呢?网站分析师提供分析的方案和结果,再由用户体验小组完成优化方案的设计并实施,不要纠结于网站分析工作一定由哪个部门或团队来做,所有的工作都是为了提供更好的用户体验。
正是这些定性分析的方法能够让我们近距离的聆听用户的声音,对满足用户需求,更好地进行网站的内容设计、功能设计,甚至交互导航设计都能起到关键作用。
最后做下简单的总结,如果网站就是为了流量而活的话,那么我们可以将上面网站分析的应用和意义归纳为:监控流量、吸引流量、保留流量,流量意味着用户,用户意味着网站的生命。
但也许现在我们该考虑下社会化媒体的影响了,不仅仅是SEO和SEM。Twitter的关键词广告平台、移动设备——手机、ipad的应用普及,今后的网站分析可以做得更多,对网站产生的价值也会越来越大。也许上面我提到的只是网站分析的冰山一角,现在有越来越多的人开始从事网站分析并喜欢上了这一职业,网站分析的发展日新月异,一定会有更多的新的应用,让我们拭目以待。
网站的商业目的产生分析需求,而需求的价值则直接影响分析结果的价值。因此在开始撰写一份网站分析报告前,我们先要仔细思考并充分挖掘分析需求的价值。那么,什么样的分析需求是有价值的分析需求呢?我们先来看三类最常见的客户分析需求。
第一类客户有明确的分析需求,第二类客户有一个非常模糊的需求,第三类客户无法清晰的表达自己的分析需求。对于第二类和第三类客户在进行分析前,必须要明确他们的分析目的和需求。以及这些分析需求与最终商业目标间的关系。没有明确的目的就没有分析需求的产生,也没有分析的意义。在这种情况下,你也不会知道该如何下手去进行分析,更不要谈分析结果的价值。然而,并不是所有客户提的需求都会有价值。有时候客户向我们表达的信息其实并不是他内心中真正想要的。这时需要我们对客户需求背后的含义进行分析,获得真正有价值的需求。分析需求的价值直接决定了分析结果的价值。而有价值的需求多半都会和如何为客户带来收益相关。
在明确了有价值的客户需求后,我们进入第二步,选择需要使用的分析方法和报告中的逻辑。首先是选择分析方法。选择哪种分析方法多半是由客户的需求和问题决定的。对于初级客户,多半会以递进的方式提出三个问题:表现怎么样?为什么会这样?以及如何修改并提高?这三个问题几乎可以套用到任何场景下,比如广告投放分析,网站结构分析,页面质量分析,转化分析等等等等。对于这三个问题,通常情况下我们可以分别使用对比分析,细分分析和质量分析三种方法进行解答。
对于报告的逻辑,我们给出一个通用的分析逻辑,用户—影响—行动—转化—收益。这个逻辑可以和大部分广告投放方式和网站业务模式结合。 我们将分析逻辑中不同的阶段映射到用户,广告,网站等不同的部分中。并为每一部分中的目的和问题选择准确的衡量指标。
前面两部我们明确了分析目的,分析方法和报告的逻辑。下面开始为分析中不同的问题选择准确的指标进行衡量。指标的选择将直接影响到分析的结果。如果指标选择不当,那么分析结果也可能是错误的。选择指标的规则只有一个,就是能准确衡量所要分析的问题。这个说起来容易,但很多时候我们却经常用错,甚至有些时候为了报告的丰满,避免犯错,将很多无效的指标进行罗列。造成数据堆积。
下面是一个例子:我们使用哪个指标可以准确的衡量一个页面的质量?跳出率,退出率,浏览量,转化率这些指标都可以,但我们需要针对页面不同的功能和使用场景选择最准确的那个指标,而不是将所有相关的指标都放在上面。即使是针对同一个页面也是如此。
如何衡量页面质量?
跳出率:页面作为Landingpage时。
退出率:页面出现在任务过程中时。
浏览量:页面作为内容承载页时。
转化率:互动页面,且无其他下级页面时。
最后一步,也是最重要的一步,就是对前面所有的工作进行呈现,让不懂网站分析和数据的客户也能快速理解报告中的信息。这里有两部分,第一是选择合适的图表对分析结果进行展示。一图胜千言。第二是将网站分析的专业指标转换为客户可以理解的业务语言。并按业务场景为客户进行解读。我们必须承认,没有客户对指标感兴趣,大部分客户根本就不想知道Visitor和Visit的区别,他们通用也不会对你的数字感兴趣,他们需要的是通过数据和分析对业务问题的解读。因此我们不能只是简单的在分析报告中罗列数字和指标。还需要告诉客户指标在这类场景下说明的具体业务问题。
作者:王彦平 (蓝鲸)
文章转自蓝鲸网站分析博客。
例如:一个电子商务网站,很多新访客可能会浏览“会员申请页”或“快递费用页”;而老访客就没必要再去查看这类页面,他们可能会更多关注“购买记录页”和“物流信息页”等。可以看出新访客对网站主要以探索性需求为主,而老访客大都明确知道来网站想要什么。
如何确认你的网站针对这两个不同群体,是否都提供了对应内容和便利功能呢?最好的办法就是清晰的划分出这两个群体,并分别对他们浏览的网页内容及转化行为等分析对比不同之处,并提出各自针对性优化方案。
(一)真假 “新访客”
通常网站分析工具通过cookie来识别访问者是否在以前到访过网站:一个访客来到网站后,网站分析工具找不到历史cookie记录,随即判断这个人是第一次来到网站,是个“新访客”;但是很多时候事实真的如此吗。。。?现在同时拥有台式机、笔记本、平板电脑、智能手机等等等等各种上网设备的不在少数吧,想必下面的场景大家经常经历:
(白天):上班的午休时间,在公司电脑上网看上一个平板电脑促销广告,点击广告进入了www.pad.com,因为以前从没来过这个网站,所以你这时被视为一个新访客。
(晚上):下班晚饭过后,想起来中午看过的广告,打开自己的笔记本电脑直接搜索了那个pad的型号重新进入www.pad.com,虽然是第二次到访网站,但因为你从没用你的笔记本电脑上过这个网站,所以这是你仍然被视为一个新访客。
像上面的场景中,对网站早已铭记在心的访客一般都是直接输入URL或者搜索品牌词再次进入,如何区分出这部分真正的老访客呢?可以尝试在高级细分中添加下面几个过滤条件:
(1)直接进入网站
(2)通过搜索品牌词进入网站
(3)通过一些会员营销活动进入网站
因为通常我们想要细分出的真正新访客应该是以前完全没有接触过你的品牌或网站,这样才有益于从这部分的行为数据中找到优化网站或营销渠道的关键问题。
这里有两个简单的Google Analytics高级细分配置样例,你只需要将其保存入自己的Google Analytics账号并修改其中对应的品牌关键词和营销活动名称。
真实新访客:
https://www.google.com/analytics/web/template?uid=JCn-ZN0sQ26Elwvjp5ZXeA
真实回访客:
https://www.google.com/analytics/web/template?uid=GphWMggZRpSNqL3m6BnxTQ
(二)新老访客的整体流量细分
在Google Analytics中创建按月的新老访客细分自定义报告:
(1)选择维度“月份”+“访问者类型”及基本分析指标组
(2)查看新老访客细分报告分析指标
(3)在报告展示类型中选择“百分比”查看新老访客占比
(三)新老访客的访问来源细分
(1)访问来源的变化趋势及整体比例区别
维析Dashboard的访问来源细分报告-新访客部分:
维析Dashboard的访问来源细分报告-老访客部分
(2)访问来源URL的新老访客细分
在Google Analytics中选择 “流量来源” –> “来源”–> “引荐” 报告。
● 初次访问率(新访问次数百分比)排在前5的访问来源
№ | 访问来源 | 访 问 者 数 |
平均阅 览次数 |
平均停 留时间 |
初 次 访问率 |
跳出率 | 转化率 |
1 | baidu.com | 381 | 5 | 0:02:20 | 83.7% | 52.0% | 1.6% |
2 | news.mediaX.com | 216 | 3 | 0:00:43 | 83.3% | 91.7% | 0.0% |
3 | baike.baidu.cn | 517 | 6 | 0:02:59 | 80.5% | 49.3% | 0.6% |
4 | soso.com | 403 | 5 | 0:02:38 | 79.7% | 56.1% | 1.0% |
5 | sogou.com | 243 | 7 | 0:03:40 | 72.0% | 47.3% | 0.4% |
从上面的访问来源分析数据中可以看出,初次访问率排在前5的访问来源大多数是购买过关键字广告的网站,可见广告在吸引潜在客户方面的确很有效果,但是盲目的去购买广告也不是什么好事。比如初次访问率排名第2的访问来源(news.mediaX.com)跳出率高达91%,可以说这种情况下花在这个媒体网站上的广告费几乎都打了水漂。 所以在购买广告的时候,最好多些预算花费在那些跳出率相对较低的来源页面上。
上面的网站数据分析报表中同时可以发现来自百度百科的流量跳出率明显较低,转化率也相对不错,可见这部分免费流量的质量并不比其他付费渠道逊色。这里的例子数据并不具有代表性,只是想借此提醒大家不要忽略一些意料之外的优质渠道。
(四)新老访客的黄金比例
讨论网站分析话题时,经常会有人问及“新老访客的黄金比例到底是多少呢?”,如果有人立刻能给出“几比几”这样明确的答案也无可厚非,但实际上“根据网站类型或者当前网站经营目标的不同,该黄金比例也应该是不同的”。
当然我们都希望新访客初次访问网站就立刻完成转化(注册会员,申请资料,购买商品等等)。这样的话,我们只要集中精力去吸引更多的新访客就可以了。理想和现实终是有差距的,毕竟这种情况微乎其微:大部分访问者还是比较理智的,他们一般都是访问网站很多次后才决定行动。因此,在一味吸引新访客的同时,不要忘了采取一些必要措施以增加再次访问的次数。
转载自:数码林网站分析博客
网站的存在离不开URL,URL与网站内容形影不离。URL用于唯一地标识网站的页面、内容或资源的“位置”,所以很多时候它只是被看做一种识别码,就像是商品上的条形码,对于用户来说,这些识别码是没有任何意义的,用户不需要关心它们到底代表着什么。但对于网站分析而言,URL并不只是网站内容的识别码这么简单,其实它可以在分析过程中发挥更大价值。
URL由协议、域名、请求地址三部分组成,完整地URL唯一确定了一个请求的资源,可以是页面、内容模块、文件或多媒体资源等。对于网站而言,URL的用处是对资源的唯一定位,所以方式可以有很多,用资源的唯一描述(资源名称或简称等),资源的唯一识别码(ID、数字标记等),也可以是动态参数,这样就导致了各网站的URL会存在很大的差异。
比如浏览网易首页=>体育频道=>意甲=>米兰新闻,它们的URL依次为http://www.163.com/=> http://sports.163.com/=> http://sports.163.com/yj/=> http://sports.163.com/special/00051NSK/moremilan.html,其实对于用户而言对于前三个页面的URL还可以读懂,而最后一个可能就难以理解了;而在去看一下淘宝的URL,在进入首页后点击任一一个商品分类,可能展现出来的URL就已经很难读懂了。
无论怎么样,这些URL对于网站而言都是有效的,因为它们都能做到唯一地识别网站的内容,既然如此,那么是不是URL就不再需要进行另外的整理设计了呢?还是先看看URL在网站分析中扮演着怎样的角色。
我们知道,在网站分析中一般都是用页面的URL地址来唯一地标识一个页面(当然现在GA上也有根据页面标题显示的报表,但是网站的页面标题是可以重复的,所以无法“唯一标识”),我们根据URL地址来查看该页面的Pageviews、Unique Pageviews、Exit Rate等。但不知道大家有没有发现Google Analytics的Content模块下还有一张有趣的报表——Content Drilldown(内容下钻,关于下钻的概念可以参考文章——数据立方体与OLAP),这张报表中的Page列就像是一个树形结构可以不断地向下展开直到底层节点,其实在GA的其他报表上也有类似的下钻功能,比如Visitors—Browser Capabilities—Browsers这张报表也支持从浏览器类型到浏览器版本的下钻操作。
也许你看了页面下钻的报表后,已经有点理解为什么URL的设计会对网站分析产生影响,下面就来看一下我的博客的实例:
顶部导航中的“文章专题推荐”中分类罗列的一些相应的文章,并且在该页面下还根据文章分类设置了4个子页面:“电子商务分析”、“网站用户分析”、“用户体验分析”、“其他文章推荐”,URL也是按照页面的层次结构进行设计的,如下图:
所以Google Analytics页面下钻的实现方式是将页面的URL根据”/”进行切分,从左向右分级存放,同时将下一层的数据向上汇总到上一层,这样报表上既可以查看每个页面的数据,也可以查看根据URL的结构向上逐层汇总的聚合数据。这对网站分析是十分有用的,因为我们同时获得了细分数据和汇总数据,从而可以从不同的数据粒度上进行分析。也许你会说不就是将同一类型的页面的数据加起来吗,在分析的时候自己加一下就行,也许上面例子中的2层并且只有4个子页面是很好处理,但如果网站页面超过3层,每层可能会有上百个子页面,那么如果没有这类下钻功能就会变得难以应付了。
可能有的朋友会问,那有没有不通过URL来区分个页面类型和层级的?如果你是用第三方工具,就需要进行额外的设置来让网站分析工具可以识别和区分你的网站页面,比如在页面上加入Google Analytics的自定义参数(Custom Variables)区分页面类型,但是如果无法自动添加这类JS代码的话,那么对于一个页面繁多的网站这个工作量就会相当庞大。如果你用自己的分析工具或者基于网站数据仓库,也许你需要维护一张页面的维表,可以包括[页面ID,页面URL,页面描述,上级页面,页面层级]这些属性,从而建立起具有层级关系的页面结构树,当然如果你的网站时常变动,那么要维护这张维表也是一件十分头疼的事情。
下面就以我的博客作为实例来说明下URL结构设计对于网站分析的影响是如何体现的。
得益于Wordpress这个强大的开放内容管理系统,让博客的URL定制变得不再复杂。Wordpress的后台控制界面中提供了“固定链接设置”的功能,用户可以根据自己的需要设计适合自己网站的URL结构,比如我的博客的固定链接是/%category%/%postname%/,也就是/文章分类/文章名/,可以再来看一下我之前一篇文章——优化网站信息架构中的我画的Wordpress的简要信息架构图:
通过上图结合我的URL结构设置,可以理解为我将信息架构中的一个分支——分类目录——作为URL结构设计的主依据,这样做有什么好处?在GA的页面钻取的分析报告中我既可以查看每篇文章的数据,同时可以查看每个文章分类的汇总数据:
图中左侧的数据对应我的博客侧边栏分类目录中每个分类的汇总数据,右侧的数据对应“网站定量分析(web-quantitative-analysis)”分类下面各文章的细分数据。同时,当用户使用博客侧边栏的各索引(根据分类目录、文章标签、日期归档)时,Wordpress也提供了非常友好的URL结构,比如分类目录用了/category/分类名、文章标签用了/tag/标签名、日期归档用了如/2010/09/这类年月的结构来罗列相应的文章列表,这样就可以在GA中同样可以使用跟上面一样的下钻来分析有多少用户试图使用这些功能来索引博客文章,并且查看了哪些分类、标签或者日期归档,有兴趣的朋友可以到自己的Google Analytics上面试试。
这是我的博客的URL设计,每个网站可以根据自身的特点和需要设计适合自己的URL结构,从而有效地简化和提升网站分析中页面数据的细分和汇总。
层次清晰、结构规范的URL不但可以为网站分析节省更多的工作量,同时可以提高URL的可读性,有效地提升对搜索引擎的友好度,增加网站SEO的效果。而清晰的URL结构需要基于对网站信息架构的系统有效的梳理,一旦做好了这些,一定会让网站建设的各个方面都受益匪浅。
需要注意的是,URL的设计和规则需要在网站开发阶段就进行明确定义,写入相关的设计规范和文档中,因为一旦网站上线后要想再对URL的结构进行调整将会是一件极度麻烦并且得不偿失的事情。
来源:网站数据分析
Avinash Kaushik在他的《Web Analytics》一书中将数据的来源分为4部分:点击流数据(Clickstream)、运营数据(Outcomes)、调研数据(Research/Qualitative)和竞争对手数据(Competitive Data)。点击流数据主要指的是用户浏览网站时产生的数据;Outcomes我更习惯叫做运营数据,主要指用户在网站中应用服务或者购买产品时记录下来的数据;调研数据主要是网站通过某些用户调研手段(线上问卷或者线下调研)获取的一些定性数据;Competitive Data直译为竞争对手数据可能不太合适,因为根据Avinash Kaushik的阐述,更像是跟网站有业务关系或竞争关系或存在某种利益影响的一切网站的可能的数据来源。
在获取上述几类数据的同时,也许我们还可以从其他方面获取一些更为丰富的数据。下面是我对网站分析数据获取途径的整理:
网站内部数据
网站内部数据是网站最容易获取到的数据,它们往往就存放在网站的文件系统或数据库中,也是与网站本身最为密切相关的数据,是网站分析最常见的数据来源,我们需要好好利用这部分数据。
服务器日志
随着网站应用的不断扩张,网站日志不再局限于点击流的日志数据,如果你的网站提供上传下载、视频音乐、网页游戏等服务,那么很明显,你的网站服务器产生的绝不仅有用户浏览点击网页的日志,也不只有标准的apache日志格式日志,更多的W3C、JSON或自定义格式的输出日志也给网站分析提供了新的方向。
网站分析不再局限于网页浏览的PV、UV,转化流失等,基于事件(Events)的分析将会越来越普遍,将会更多的关注用户在接受网站服务的整个流程的情况:上传下载是否完成,速度如何;用户是否观看的整部视频,视频的加载情况;及用户在玩网页游戏时的操作和体验分析等。Google Analytics已经支持了基于事件的分析——Event Tracking,通过JS的动作响应获取数据,但是还存在着一定的局限性。
网站分析工具
当然,通过网站分析工具获得数据是一个最为简便快捷的方式,从原先的基于网站日志的AWStats、webalizer,到目前非常流行的基于JS Tags的Google Analytics、Omniture的SiteCatalyst,及JS和网站日志通吃的WebTrends。通过网站分析工具获得的数据一般都已经经过特殊计算,较为规范,如PV、UV、Exit Rate、Bounce Rate等,再配上一些趋势图或比例图,通过细分、排序等方法让结果更为直观。
但通过网站分析工具得到数据也不远只这些,上面的这些数据也一样可以通过统计网站日志获得,但网站分析工具的优势在于其能通过一些嵌入页面的JS代码获得一些有趣的结果,如Google Analytics上的Overlay或者也叫Click Density——网站点击密度分布,及一些其它的网站分析工具提供的点击热图,甚至鼠标移动轨迹图。这些分析结果往往对网站优化和用户行为分析更为有效。
数据库数据
对于一般的网站来说,存放于数据库中的数据可以大致分为3个部分:
网站用户信息,一般提供注册服务的网站都会将用户的注册账号和填写的基本信息存放在数据库里面;
网站应用或产品数据,就像电子商务的商品详细信息或者博客的文章信息,如商品信息会包含商品名称、库存数量、价格、特征描述等;
用户在应用服务或购买产品时产生的数据,最简单的例子就是博客上用户的评论和电子商务网站的用户购买数据,购买时间、购买的用户、购买的商品、购买数量、支付的金额等。
当然,这一部分数据的具体形式会根据网站的运营模式存在较大差异,一些业务范围很广,提供多样服务的网站其数据库中数据的组合会相当复杂。
其它
其它一切网站运营过程中产生的数据,有可能是用户创造,也有可能是网站内部创造,其中有一大部分我们可以称其为“线下数据(Offline Data)”。如用户的反馈和抱怨,可能通过网站的交流论坛,也有可能通过网站时公布的客服电话、即时通讯工具等,如果你相信“客户中心论”,那么显然对于这些数据的分析必不可少;另外一部分来源就是网站开展的线下活动,促销或推广,衡量它们开展的效果或投入产出,以便于之后更好地开展类似的线下推广。
外部数据
网站分析除了可以从网站内部获取数据以外,通过互联网这个开放的环境,从网站外部捕获一些数据可以让分析的结果更加全面。
互联网环境数据
即使你的网站只是一个很小的网站,但如果想让你的网站变得更好,或者不至于落后于互联网的前进脚步,那么建议你关注一下互联网的发展趋势。可以上Alexa查一下互联网中顶级网站的访问量趋势;看看comScore发布的数据或者199IT–中国互联网数据中心网站上的各种数据分析和研究资料;如果经营电子商务网站,淘宝数据中心也许会让你感兴趣。
竞争对手数据
时刻关注竞争对手的情况可以让你的网站不至于在竞争中落伍。除了在Alexa及一些其他的网站数据查询平台以外,直接从竞争对手网站上获取数据也是另外一条有效的途径,一般网站会出于某些原因(信息透明、数据展示等)将自己的部分统计信息展现在网站上,看看那些数据对于掌握你的竞争对手的情况是否有帮助。
合作伙伴数据
如果你有合作的网站或者你经营的是一个电子商务网站,也许你会有相关的产品提供商、物流供应商等合作伙伴,看看他们能为你提供些什么数据。
用户数据
尝试跟踪用户的脚步去看看他们是怎么评价你的网站的。如果你的网站已经小有名气,那么尝试在搜索引擎看看用户是怎么评价你的网站,或者通过Twitter、新浪微博等看看用户正在上面发表什么关于你的网站的言论。
当然通过用户调研获取数据是另外一个不错的途径,通过网站上的调查问卷或者线下的用户回访,电话、IM调查,可用性实验测试等方式可以获取一些用户对网站的直观感受和真实评价,这些数据往往是十分有价值的,也是普通的网站分析工具所获取不到的。
在分析网站的外部数据的时候,需要注意的是不要过于相信数据,外部数据相比内部数据不确定性会比较高。网站内部数据即使也不准确,但我们至少能知道数据的误差大概会有多大,是什么原因造成了数据存在误差。而外部数据一般都是有其他网站或机构公布的,每个公司,无论是数据平台、咨询公司还是合作伙伴都可能会为了某些利益而使其公布的数据更加可信或更具一定的偏向性,所以我们在分析外部数据是需要更加严格的验证和深入的分析。而对于用户调研中获取的数据,我们一般会通过统计学的方法检验数据是否可以被接受,或者是否满足一定的置信区间,这是进行数据分析前必须完成的一步。
来源:网站数据分析
生命周期是指一个主体从开始到结束的发展过程,所以网站用户的生命周期可以解释为用户从与网站建立关系开始到与网站彻底脱离关系的整个发展过程,而用户的生命周期价值就是在这个过程中用户为网站所带来的价值总和。
用户的生命周期可以分为4各阶段,如下图:
从用户的生命周期曲线可以看出用户在于网站建立关系期间一般会经历4个阶段,每个阶段都为网站带来不同的价值:
考察期:用户会试探性的偶尔来访问下网站,这个时候用户创造的价值比较低;
形成期:用户可能已经有点喜欢上你的网站了,他们会不定期的进入网站,并开始尝试做些交互,同时用户创造的价值飞速提升;
稳定期:用户成为了网站的忠实Fans,他们经常会光顾网站,不仅自己使用网站提供的服务,同时可能还会帮助宣传网站,这个用户创造的价值到达最高峰并保持相对稳定;
退化期:用户由于某些因素而开始与网站的关系产生裂痕,进而迅速破裂直到彻底离开,这个时期用户创造的价值迅速递减。
需要注意的是,用户不一定在到达稳定期后与网站的关系才会衰退,在任何时期,只要有某些因素影响了用户的满意度,用户的生命周期就可能进入退化期,进而彻底脱离该网站。
Avinash Kaushik在他的博客中例举的一些例子比较多的是从电子商务网站的角度,因为电子商务网站用户的生命周期价值更易于被衡量,可以直接计算用户从使用该网站开始在网站中的总消费金额、净利润等,基于这些指标通过细分用户的不同来源,可以计算不同推广策略的投资回报率(ROI),进而区分优劣。
这种基于用户生命周期价值的网站来源评价同样也可以用于一般的网站,但是普通网站一般没有交易和销售数据,也可能不是以网站的收益作为网站的目标,那么就不能用用户的交易金额作为评价用户价值的指标。如何定义一般网站的用户生命周期价值可以参考之前的几篇有关用户分析的文章:我们还是可以采用网站用户忠诚度分析中取自Google Analytics中评价用户忠诚度的4个指标——用户访问频率、最近访问时间、平均停留时间、平均浏览页面数。这些指标是所有网站都可以测量得到的,同时提高用户的忠诚度是所有网站的共同目标,忠诚用户对网站的价值是不言而喻的,他们不仅可以为网站带来持续的价值,同时在网站线下的品牌和口碑推广上起着关键的作用。那么这4个指标如何汇总来计算得到用户的总价值指标呢?可以参考用户综合价值评分体系这篇文章,使用层次分析法(AHP)得到各指标的权重,并通过加权求和的方式计算得出用户的总价值,用该结果就可以作为衡量用户生命周期价值的评价指标。
基于网站用户生命周期价值的计算结果,我们可以通过以下几个方面来对用户进行细分:
用户的访问来源:可以对通过计算搜索引擎、外部链接、社会化网络、直接登录等方式首次访问你的网站的用户的平均生命周期价值来比较哪些来源为网站带来了最多的有价值用户:
上图中柱状图表示从各来源进入我的博客的新用户数,折线图表示从各来源进来的用户的生命周期价值的平均(该来源带来的所有用户的生命周期价值总和/该来源带来的用户数,10分制)。从上图可以看出对于我的博客来说,搜索引擎带来了最多的用户(可能大部分网站都是类似的情况),而从带来的用户的生命周期价值平均值来看,外部链接是最有价值的,直接进入次之(可以用于评价网站线下推广所带来用户的价值),社会化网络再次之。所以我一般会把我看到的一些介绍网站数据分析相关的博客添加到我的外部链接表中,如果你也有网站分析相关的博客,或者认为我的博客还不错,也希望能把我的博客添加到你的外部链接表中。
用户首次访问中浏览的内容:基于内容的细分,比如以我的博客的文章分类进行细分。可以选取用户的生命周期价值排在前100的访问用户首次访问我的博客中访问了哪些分类目录下的文章:
上图柱状图表示首次访问我的博客浏览各分类文章的用户数,折线图表示生命周期价值排名前100的用户首次访问我的博客时浏览的各文章分类。这个结果就很明显了,“网站定量分析”这个内容分类为我带来了最多的新用户,同时也为我带来了最多的有价值用户,也是有价值用户转化率最高的分类目录,“个人观点分享”次之。
最后不得不说的就是这个分析中存在的一大技术难点——如何定义一个用户的首次访问。
首先就是如何识别用户是首次访问,也就是该访问用户是新用户(New Visitor),大家估计已经注意到了在Google Analytics工具中的Visitors模块中有一项是根据New和Returning对用户进行细分,Google Analytics可以根据是否存在Cookie来进行细分,用户识别还有很多其他方法,可以参考我之前的文章——网站用户的识别,但不得不说无论何种方法对新用户的识别都存在一定的不准确性。
另外就是如何获取用户首次访问的数据的问题。一般网站保存的统计数据有一定的期限,或者网站的数据统计起步较晚,未能统计到网站的历史数据,尤其对于已经发展了一定时间的网站或者数据量比较大的网站来说,这类统计就更显困难重重,也许这个时候网站的数据仓库就可以发挥它的价值了,数据仓库的数据集成性和保留历史数据并且不易变更的特性让其有能力可以完成诸如此类的复杂数据获取。
网页内容分组方式:
网页内容的分组方式主要取决于网站分析时的业务需求:内容型网站通常以栏目内容作为分类依据,例如“体育类”、“娱乐类”、“财经类”等等;企业宣传站可以将“公司业务类”、“公司新闻类”、“售后支持类”等分别归类;这么说对于同一个网站只有一种内容分组方式吗?答案当然是否定了,以何种依据进行内容分组主要取决于你当前网站分析的业务目标以及报告对象,以图1中的一个电子商务网站为例,对销售部、设计部或者运营部等不同部门,分析时设计的网页分组方式也不尽相同:
既然复杂的业务决定了我们注定要面对各种网页分组模式,那如何在网站分析工具中操作组织网页来实现这些分组呢?
网站分析工具中对网页分组的实现方式一般主要分为两种:一是在工具内直接提供网页分组功能接口,方便非技术人员直接手动操作;另一种需要在网页的数据收集Tag代码中添加相应分组的标记代码或者在工具中为网页URL配置特殊过滤条件以变相实现分组合并。这两种实现方式各有利弊,选择哪种主要还是取决于现在正使用的网站分析工具以及实施人员的技术水平。
表1:网页分组方式利弊比较
接下来我们结合网站分析工具对常用的几种网页分组操作方式进行详细介绍:
(1)手动分组
对很多非技术者来说,能在分析工具中直接手动操作网页分组是再方便不过了,当然这需要分析工具的功能支持:在工具系统中可以直接设置添加网页分类,然后选择相关网页手动添加至对应分类。以本网站分析博客为例,我们想建立一个在互联网中被热门转载的文章分类,以方便了解这些文章被转载来源和热度持续时间等信息,在网站分析工具 – 维析中,可以先手动添加一个“热门转载文章”分类,然后选择相关文章网页(图2中以“广告效果分析的三个关键点”为例)将其添加至该分类,日后发现有新转载文章也可随时添加或编辑。
图2:维析手动编辑分组样例
(2)根据URL规律创建匹配规则
一些中大型网站的网页数量可以达到数以万计或者更多,如果还是手动对这些网页进行分类的话,操作者恐怕要崩溃了,通常这种情况会根据URL规律创建相关分类的匹配规则。例如一个在线销售手机的电子商务网站,我们想关注分析各个品牌(例如苹果、三星或HTC等)的浏览及销售情况,为了将各个品牌相关的网页汇总到各自分类中,我们先研究下该网站URL的结构特点:
http://www.domain.com/Apple-iphone-5-black.html
http://www.domain.com/Samsung-Galaxy-4-white.html
http://www.domain.com/HTC-One-black.html
可以发现每个网页的URL中都带有品牌标识,也就是说我们可以将URL中的品牌标识作为划分网页分类的依据,如果使用Google Analytics的话,先建立一个“内容分组”的配置文件(Profile),然后在该配置文件中创建如下自定义过滤器:
图3:Google Analytics的URL分组过滤设置
上面的自定义过滤器生效后,会将所有包含“Apple”的网站URI替换为“AppleGroup.html”,其它品牌的过滤设置都可参照此设置即可。
如果使用维析的话,可以先创建想要的内容分组,然后为该内容分组指定具体的URL匹配规则;以数码林网站分析博客为例,通过创建如图4中的匹配规则,可以将博客中几个主要系列连载文章(网站分析基础概念系列文章、或者本高级细分系列等)汇总分组,以方便整体横向对比分析。
图4:维析创建内容分组的URL匹配规则
(3)网页监测代码里指定
前面介绍了两种相对比较方便的网页内容分组方法,如果遇到一个网页数量巨大而且URL设计也毫无规律可循的网站时,该如何下手呢?如果大家对电子商务监测比较熟悉的话,解决这个问题就轻车熟路了;因为类似于电子商务监测,对网页内容分组一样可以通过网页监测代码的定制来解决。当然这需要网站的技术人员给予一定支持,在相同内容分组的所有网页监测代码中加入分组标识,这样在网站分析数据收集处理的同时,即完成了网页内容的分组。
以维析的监测代码为例,为了将所有苹果商品的详情页归为一个分组:“AppleDetailGroup”,可以在所有相关页的监测代码中添加“u1=AppleDetailGroup”的参数标识来识别该分组网页。下面为iphone5的商品详情页分组监测代码样例:
—————————————————————————————————-
<script type=”text/javascript” src=”http://trace.visionalist.cn/VL/Trace?c=99999&p=iphone5&u1=AppleDetailGroup”></script>
—————————————————————————————————-
通过上面几种分组方法定义并获取到内容分组数据后,还需要注意:
1) 一个内容分组可以只包含一个网页,它并不一定是一组网页
2) 如果一个内容分组包含了一组网页,那么该分组的一次“访问”意味着访问了该分组内的任意一个或多个网页。如果某次访问的网页浏览数为5,且这5个网页都在一个内容分组里,那么这个分组的访问次数为1,网页浏览数为5 。
网页内容分组细分方法:
网页内容分组细分的难点主要在于对分组依据的定位,以及对分组数据的收集实施,一旦找准分组定位并成功准确采集到想要的分组数据后,对相关分组的细分分析就比较简单了。很多支持内容分组的网站分析工具中,对待分组的操作处理方式和对待一个网页基本类似,例如在自定义报告中将网页内容分组作为二级维度使用;第一分析维度可以是一些常规的访问维度,例如新老访客、搜索关键字、访问来源域等。
图5:Google Analytics创建自定义报告
下面即是对一个电子商务网站的内容分组分析样例:
表2:电子商务网站的内容分组分析样例
像上面的分析数据那样,根据内容分组进行细分,通过对每段内容的各个指标值的分析,可以清晰的掌握访问者进入网站后首先浏览了哪些内容,哪些内容的指标值比较突出,哪些内容的指标值有待优化等等。但注意如果直接拿“网站首页”和“购物车页”这样两个完全不同类型的内容进行指标对比的话,很可能会将你带入误区;我们需要关注的是那些具有类似功能或目标的内容,例如“专题页”和“商品一览页”的目的都是引导访问者到达“商品详细页”,如果两者的指标表现差异很大时,就足以引起你的注意。
本篇连载主要讨论了网页内容分组的定义、实现,以及对分组数据的一些分析方法,大家对这些内容如果有什么意见或见解,欢迎加入到我们的网站分析QQ群(群号:229656963)中指教、讨论。这里也提前预告下本系列细分连载的最后一篇内容是关于转化细分,敬请期待!
via:数码林网站分析博客
例如:一个电子商务网站,很多新访客可能会浏览“会员申请页”或“快递费用页”;而老访客就没必要再去查看这类页面,他们可能会更多关注“购买记录页”和“物流信息页”等。可以看出新访客对网站主要以探索性需求为主,而老访客大都明确知道来网站想要什么。
如何确认你的网站针对这两个不同群体,是否都提供了对应内容和便利功能呢?最好的办法就是清晰的划分出这两个群体,并分别对他们浏览的网页内容及转化行为等分析对比不同之处,并提出各自针对性优化方案。
(一)真假 “新访客”
通常网站分析工具通过cookie来识别访问者是否在以前到访过网站:一个访客来到网站后,网站分析工具找不到历史cookie记录,随即判断这个人是第一次来到网站,是个“新访客”;但是很多时候事实真的如此吗。。。?现在同时拥有台式机、笔记本、平板电脑、智能手机等等等等各种上网设备的不在少数吧,想必下面的场景大家经常经历:
(白天):上班的午休时间,在公司电脑上网看上一个平板电脑促销广告,点击广告进入了www.pad.com,因为以前从没来过这个网站,所以你这时被视为一个新访客。
(晚上):下班晚饭过后,想起来中午看过的广告,打开自己的笔记本电脑直接搜索了那个pad的型号重新进入www.pad.com,虽然是第二次到访网站,但因为你从没用你的笔记本电脑上过这个网站,所以这是你仍然被视为一个新访客。
像上面的场景中,对网站早已铭记在心的访客一般都是直接输入URL或者搜索品牌词(关于搜索关键字有兴趣的话可以阅读:搜索关键字细分)再次进入,如何区分出这部分真正的老访客呢?可以尝试在高级细分中添加下面几个过滤条件:
(1)直接进入网站
(2)通过搜索品牌词进入网站
(3)通过一些会员营销活动进入网站
因为通常我们想要细分出的真正新访客应该是以前完全没有接触过你的品牌或网站,这样才有益于从这部分的行为数据中找到优化网站或营销渠道的关键问题。
这里有两个简单的Google Analytics高级细分配置样例,你只需要将其保存入自己的Google Analytics账号并修改其中对应的品牌关键词和营销活动名称。
真实新访客:
https://www.google.com/analytics/web/template?uid=JCn-ZN0sQ26Elwvjp5ZXeA
真实回访客:
https://www.google.com/analytics/web/template?uid=GphWMggZRpSNqL3m6BnxTQ
(二)新老访客的整体流量细分
在Google Analytics中创建按月的新老访客细分自定义报告:
(1)选择维度“月份”+“访问者类型”及基本分析指标组
(2)查看新老访客细分报告分析指标
(3)在报告展示类型中选择“百分比”查看新老访客占比
(三)新老访客的访问来源细分
(1)访问来源的变化趋势及整体比例区别
维析Dashboard的访问来源细分报告-新访客部分:
维析Dashboard的访问来源细分报告-老访客部分
(2)访问来源URL的新老访客细分
在Google Analytics中选择 “流量来源” –> “来源”–> “引荐” 报告。
● 初次访问率(新访问次数百分比)排在前5的访问来源
№ | 访问来源 | 访 问 者 数 |
平均阅 览次数 |
平均停 留时间 |
初 次 访问率 |
跳出率 | 转化率 |
1 | baidu.com | 381 | 5 | 0:02:20 | 83.7% | 52.0% | 1.6% |
2 | news.mediaX.com | 216 | 3 | 0:00:43 | 83.3% | 91.7% | 0.0% |
3 | baike.baidu.cn | 517 | 6 | 0:02:59 | 80.5% | 49.3% | 0.6% |
4 | soso.com | 403 | 5 | 0:02:38 | 79.7% | 56.1% | 1.0% |
5 | sogou.com | 243 | 7 | 0:03:40 | 72.0% | 47.3% | 0.4% |
从上面的访问来源分析数据中可以看出,初次访问率排在前5的访问来源大多数是购买过关键字广告的网站,可见广告在吸引潜在客户方面的确很有效果,但是盲目的去购买广告也不是什么好事。比如初次访问率排名第2的访问来源(news.mediaX.com)跳出率高达91%,可以说这种情况下花在这个媒体网站上的广告费几乎都打了水漂。 所以在购买广告的时候,最好多些预算花费在那些跳出率相对较低的来源页面上。
上面的网站数据分析报表中同时可以发现来自百度百科的流量跳出率明显较低,转化率也相对不错,可见这部分免费流量的质量并不比其他付费渠道逊色。这里的例子数据并不具有代表性,只是想借此提醒大家不要忽略一些意料之外的优质渠道。
(四)新老访客的黄金比例
讨论网站分析话题时,经常会有人问及“新老访客的黄金比例到底是多少呢?”,如果有人立刻能给出“几比几”这样明确的答案也无可厚非,但实际上“根据网站类型或者当前网站经营目标的不同,该黄金比例也应该是不同的”。
当然我们都希望新访客初次访问网站就立刻完成转化(注册会员,申请资料,购买商品等等)。这样的话,我们只要集中精力去吸引更多的新访客就可以了。理想和现实终是有差距的,毕竟这种情况微乎其微:大部分访问者还是比较理智的,他们一般都是访问网站很多次后才决定行动。因此,在一味吸引新访客的同时,不要忘了采取一些必要措施以增加再次访问的次数。
好了,关于新老访客的细分就讨论到这了,有什么疑惑或更好的idea吗?欢迎到加入到我们的网站分析QQ群(群号:229656963)中指教、讨论。
via:数码林网站分析博客
因此,根据入口页将网站的访问者进行分类,掌握进入数很高的网页并跟踪这些网页的跳出率,对网站的优化会有很大的帮助。如果存在进入数很高,跳出率也很高的入口页,必须马上寻找跳出的原因并加以优化。
通常访问者在入口页就发生跳出的种类以及原因如下:
●发现内容与意愿不符 <=> 广告与登陆页内容不匹配
●找到内容但不知如何行动 <=> 网站易用性有问题
●达到意愿后满意离开 <=> 没有揣摩用户更多需求
导致以上跳出发生的原因如下:
●保证登陆页FirstView区内容与广告内容相呼应
●改善登陆页的导航设计,将按钮、链接等清晰化
●考虑用户潜在需求,适当添加一些智能推荐内容
划分入口页的基本原则
入口页划分的基本原则和“搜索关键字划分的基本原则”一样,首先要了解进入排名“前10名入口页”的状况。
通常情况下,大多数网站排在前10名的入口页进入数占网站整体进入数的50%左右。如果能至少保证这些入口页质量的话,对提升网站的整体效果会有很大的帮助。
下图是某家具营销网站“前10名入口页”占整体进入数的比例(可以在Google Analytics的“内容” –> “目标网页”报告中查看此数据,数据展现类型选择“百分比”)。
●“前10名入口页”占整体进入数的比例
“前10名入口页”占整体进入数的比例接近60%(100%-42.22%=57.78%)。
下表是“前10名入口页”的各个指标值。
●“前10名入口页”指标值
由上表中的网站分析数据中可以得知,进入页“椅子大全”的跳出率最高,虽然它的进入数排在第6名,但是75%以上的跳出率绝对是一个不能忽视的问题。因此我们需要尽快优化该入口页。
这里再次强调一下,入口页分类中最重要的参考指标值是“跳出率”。所以我们需要注意多分配资源去优化那些进入数很高,但跳出率也很高的入口页。
入口页的点击流向
接下来我们分析一下“没有跳出的访客都从入口页流向了哪些网页”。在看具体数据之前,我们事先想象一下“我们自己想要访问者在网站中怎么跳转”,接下来再和实际的数据去比较。
●“商品推荐页”的跳转情况(可以使用网站分析工具-维析的“路径分析”查看此报告:选择入口页作为路径分析的起始节点,分析由此网页流出的正向访问路径。)
如果上面的实际数据和想象的结果相差比较大的时候,是不是就需要调整网页结构设计了。
入口页的初次访问率
入口页分类的另一个关键指标值也需要我们加以重视:这就是“初次访问率”。
确认每一个入口页的“初次访问率”,特别是初次访问率很高的入口页,需要本着“让第一次到访的人也能够很容易的理解网页内容”的原则,检查一下网页的导航和排版设计是否存在问题。
以下表中几个入口页的分析数据为例,处在第3名的“/index.php?mod=1&ac=show&id=215”初次访问率很高;但是该入口页的跳出率明显高于平均值,我们可以初步推断可能是“初次访问的人不能容易的理解网页的内容”所造成的。因此,如何更牢固留住初次到访的人就是这个入口页优化的主要课题。
●每一个入口页的初次访问率
via:数码林网站分析博客
通常搜索关键字能够反映出网站访问者访问网站的目的;比如,在搜索关键字栏里输入“出租 公寓”的访问者,代表他们想搜索一些“公寓出租”的相关信息。如果把网站访问者的搜索关键字进行分类,并分析访问者的“访问次数”、“跳出率”、“转化数”等关键网站分析指标,对优化网站会有很大帮助。
如果网站的内容与访问者所期待的内容不相符,访问者很容易开网站,更谈不上促成转化。因此,可以得出以下的结论:
(1)当访问者在网站内长时间停留,转化数很高,说明该网站的内容与通过搜索关键字进入的访问者的目的相匹配。
(2)反之,当访问者在网站内的停留时间过短,跳出率很高,说明访问者的需求没有得到满足。这种情况下,我们就需要对网站进行优化,添加一些能够满足访问者需求的内容,增加一些能够提高转化的搜索关键字。
搜索关键字划分的基本原则:
第一步要筛选出作为分析对象的搜索关键字,并对访问次数排在前10名的关键字重点分析,然后再将分析对象范围扩大到前100名。
如果能够分析全部的搜索关键字固然很好,但是中等规模网站的搜索关键字一般都会有上万之多,大规模的网站甚至有十万、百万之多。逐一分析这些搜索关键字是不切实际的,也根本分析不过来。
实际分析关键字过程中,一般要重点分析的是“前10名关键字”和“前100名关键字”。也有时候根据信息量的多少,就网站的实际情况分析“前25名关键字”和“前50名关键字”,所以到底分析多少数量的关键字合适就需要具体的网站业务和历史的分析经验来判断了。
(1)“前10名关键字”的分析
首先需要掌握访问次数排在前10名的搜索关键字。在电子商务(EC)网站或营销型网站中,通过“前10名关键字”搜索进入网站的访问次数大概占全部访问次数和转化数的30%~50%。因此,分析这些关键字相当于对近一半的访问者的访问目的进行分析,对网站优化有很大的帮助。
下图是某饭店预订网站(例如网站名称“好再来”)的搜索关键字的进入比例和转化比例。从下图可以看出,排在前10名的关键字的进入数占全部进入数的50%以上,转化数占40%以上。
●饭店预订网站的搜索关键字的进入比例和转化比例:
接下来我们具体看一下这些搜索关键字和每一个关键字的相关指标值。
●某饭店预订网站的“前10名关键字”的相关指标:
№ | 检索关键字 | 访问次数 | 平均页面 阅 览 数 |
平均停 留时间 |
初次访问率 | 跳出率 | 预约率 |
1 | XXXXX | 7,312 | 9.24 | 0:06:09 | 55.66% | 27.57% | 0.94% |
2 | 好再来 | 4,170 | 14.43 | 0:08:38 | 22.49% | 17.05% | 1.03% |
3 | XXXXX | 3,961 | 7.43 | 0:04:42 | 68.34% | 32.85% | 1.09% |
4 | 旅馆 | 1,162 | 3.96 | 0:02:41 | 71.34% | 49.23% | 0.09% |
5 | 温泉 | 831 | 4.43 | 0:02:38 | 83.87% | 48.13% | 0.48% |
6 | XXXXX | 752 | 6.91 | 0:04:47 | 59.04% | 44.20% | 1.33% |
7 | 好再来 预约 | 621 | 15.72 | 0:09:43 | 25.76% | 13.57% | 2.09% |
8 | 观光 | 605 | 3.51 | 0:01:32 | 79.17% | 64.13% | 0.50% |
9 | XXXXX | 565 | 6.21 | 0:04:09 | 60.00% | 41.95% | 0.88% |
10 | XXXXX | 491 | 5.2 | 0:03:36 | 66.80% | 42.59% | 0.81% |
平均 | - | - | 7.36 | 0:04:50 | 54.73% | 42.59% | 0.75% |
根据上表中搜索关键字的特征以及各个指标值可以判断出哪些是“优秀关键字”,哪些是“一般关键字”。
(2)优秀关键字的代表:“品牌关键字” 的分析
典型的优秀关键字是“品牌关键字”(公司名•网站名•商品名•服务名)。上表中排名在第2名和第7名的品牌关键字“好再来”和“好再来 预约”的平均页面阅览数、平均停留时间、预订率(转化率)都要超过平均值。实际上很多网站都存在类似的情况。
上述情况是必然的结果,因为通过“品牌关键字”搜索的人中的大部分在搜索前对公司、网站的产品或者服务有一定的了解,很少会出现来到网站后发现“并不是我所需要的东西”的情况。很多人都是抱着明确的目的来访问网站的。
随着通过“品牌关键字”进入数的增加,转化数也会随之增加。因此,虽然扩大“品牌关键”字的知名度会花费一些时间和精力,但是确实是值得的。
针对上述情况采取以下措施一般比较奏效:
(1)使用容易理解、容易被记住的“品牌关键字”;
(2)制作能给人留下深刻印象的商标;
(3)网站的标题中加入“品牌关键字”;
(4)URL中加入“品牌关键字”。
另外,如果在预算充足的情况下,使用媒体来宣传虽然效果不错,但是这样的情况对于一般的网站来说不太现实。
通过“品牌关键字”的进入达到多少才算合理呢?这个问题没有准确答案,这需要根据网站的目的和公司的策略来决定。根据笔者的经验,如果“品牌关键字”的进入数占全部进入数的1/3,说明“该品牌已经被大家所熟知了”。
(3)“品牌关键字”以外排名靠前的关键字的分析
要想增加“品牌关键字”的进入是需要花费金钱和时间的。因此,为了提高整体转化数,也有必要分析一下“品牌关键字”以外的、排名比较靠前的关键字。
“品牌关键字”以外的排名比较靠前的关键字也包括“优秀关键字”和“一般关键字”两种。从网站分析指标来看,转化率低,跳出率高的搜索关键字是“一般关键字”。对于这类关键字我们要分析其“一般”的原因并加以优化。从上图的饭店预订网站可以看出“旅馆”、“温泉”、“观光”都属于“一般关键字”。
某些特殊关键字被认为是“一般关键字”的原因是“网站的内容和访问者的目的不相匹配”。比如,某个访问者想搜索“中国各地著名温泉场所”,但是网站仅仅记载了“温泉住宿信息”,一般情况下这样的访问者不会完成转化,甚至直接跳出网站。如果网站同时有“中国各地著名的温泉场所的地图”,就可以满足访问者的需求了。虽然这个内容与网站的转化并没有直接的关系,但是一旦引起了访问者的注意,可能下次访问者户需要预定住宿的时候就会再次访问网站并达成转化。
但是,并不是对每一个“一般关键字”都需要去优化。实际中有些情况根本无法优化。比如,访问者想去“海外旅行”,而该公司只办理“国内旅行”,这样就难以满足访问者的需求。即使该公司开始对应新的海外旅行业务,也不应该在这里讨论。
(4)排在前100的关键字的分析
分析排在前100名的关键字不是为了“发现现存问题”,而是为了挖掘可以持续使用的“潜力关键字”。“潜力关键字”指的是目前进入数和转化数都很少,但是转化率却很高的搜索关键字。平均阅览次数很高的搜索关键字也被可以做为“潜力关键字”。随着这类关键字进入的增加,转化数也会随之增加。我们需要提高这类搜索关键字的出现频率(SEO策略),通过包含相关关键字的电子杂志和营销活动进行宣传。
排在前100名的关键字的分析方法基本上与前面所说的“前10名关键字”分析方法相同。通过每一个搜索关键字的5个指标值(参见本细分系列连载第一脉中的网站分析细分常用分析指标),筛选出高于平均值的搜索关键字。如果增加一些能够满足访问者需求的内容,相信转化数也会有所增加。但是,没有必要去分析那些虽然处在前100名,但是进入数排在200以下的搜索关键字。如果整体的进入数很少的情况下,我们就通过延长统计期间来提高精度。
实际上,排在100名之外的搜索关键字中也会存在一些好的关键字。对于这些关键字我们可以使用“长尾理论”的分析手法进行筛选,本文不做讲解。
“关键字矩阵”分析法
最后再介绍一种搜索关键字划分的分析方法:“关键字矩阵”分析法。“关键字矩阵”是指使用“散布图”或“气泡图”来分析搜索关键字。
如图所示:X轴表示“跳出率”,Y轴表示“转化率”。 “平均跳出率”(竖线)和“平均转化率”(横线)的交点将“通过搜索引擎的进入”分为4个象限,我们以此来筛选关键字的特征,探究优化的方法。其中每个点代表一个搜索关键字。
●关键字矩阵图(排在前50名关键字):
① 优秀关键字
上图中①象限的搜索关键字称为“优秀关键字”。这部分关键字的特点是转化率高,跳出率低,对促成网站的转化贡献很大。通常情况下,上面所介绍的“品牌关键字”都分布在这一部分。
同时我们还应该充分的利用这一象限的“品牌关键”字以外的搜索关键字。使用SEO策略来增加这些关键字在网站内的出现次数,在营销活动和电子杂志中也合理使用这类关键字。
② 诱导关键字
上图的②象限的搜索关键字称为“诱导关键字”。虽然跳出率很低,但却很少达成转化。我们可以大致推断出,通过这部分关键字进入的访问者大多数都是以单纯的营销型网站内容为目的的。要想使这些访问者短时间内达成转化有一定的难度,但是还是是可以优化的。比如,在比较有人气的文章内容的最后添加相关网页的链接,通过引导来提高转化数。
由于通过“诱导关键字”进入的访问者会在网站内继续浏览,所以优化登陆页(Landing Page)以外的网页也是很有必要的。站在访问者的立场上,设想访问者在网站内会进行怎样的迁移,将网站优化成一个能够引导访问者达成转化的网站。
③ 登陆页关键字
上图③象限的关键字称为“登陆页关键字”。虽然跳出率很高,但是另一方面转化率也很高,从中可以明确的分辨出“网站的内容符合访问者的需求”。这一部分的整体转化率都很高,一旦通过优化登陆页的内容以降低访问者的跳出率,网站的转化数一定会得到提升。
在优化登陆页时我们需要注意以下几点:
(1)追加一些能够满足访问者需求的内容
当访问者发现登陆页的内容与想搜索的内容不相匹配时,大部分访问者会直接跳出网站。如果增加一些能够满足访问者需求的信息会降低网站的跳出率,但是所增加的内容要在可行的范围内。
(2)导航设计简单清晰化
跳出的访问者中很多是因为“不知如何进行下一步的动作”才导致的跳出的,这样就太可惜了。即便是没有跳出的访问者中的大多数完成了转化,我们还是不能忽略‘导航难’这个问题。我们需要讨论一下登陆页的内容和排版是不是存在问题。关于登陆页的分析方法会在以后详细说明。对于网站的访问者来说登陆页就是网站的首页。因此,登陆页的导航应该和首页的导航一样简单易懂。一般情况下在文章的最下端设置“返回顶部”的链接,在导航下面设置痕迹导航效果比较明显。
④ 创意关键字
上图④象限的关键字称为“创意关键字”。这类关键字的特点是跳出率很高,转化率很低。
因为没有任何效果,我们应该及早对其进行优化。特别是在“Google的关键词竞价广告(Adwords)”、“百度推广”等收费广告上刊登含有这类关键字的文章的场合,我们必须修改文章的内容或其来源页(查看“访问来源细分”请点击这里。)。花钱刊登广告,虽然进入数增加了但是转化却没有变化就失去意义了。
●Adwords创意:
上图标题和下面的两行内容都可能需要修改。
“创意关键字”相关内容的优化需要花费金钱和时间,要优化所有的关键字不切实际,应该筛选出那些效果比较明显(进入数多)的关键字作为优化对象。根据个人经验,这个象限内的进入数在200以下的搜索关键字一般可以放弃。
※注:
(1)本文是以“跳出率”为X轴,“转化率”为Y轴做成的关键字矩阵图,也可以指定为其他指标值。根据笔者的经验“跳出率×转化率”、“跳出率×初次访问率”、“停留时间×转化率”的组合很有分析价值。
(2)如果想在关键字矩阵图上面分析“网页浏览数”或“访问次数”,建议您不要使用“散布图”而是使用“气泡图”,根据圆形大小来表示这些指标值来达到更好的分析效果。
via:数码林网站分析博客
我们拿一个饭店的网站进行分析,用户大致会出于以下几种原因访问网站:
访问饭店网站的目的
可以看出用户都是带着某些目的和想法访问网站的,如果把握每一个用户的特征,并针对这些特征对网站进行优化的话,【细分】是最好的选择。幸运的是Google Analytics或维析等网站分析工具都提供了便捷的数据细分功能,但如何灵活运用这些功能,常用的细分又有哪些呢?这个系列博文就常用的6种细分方法一一道来,希望这6种方法能犹如六脉神剑,剑剑击中网站问题要害。
● 细分数据时常用的网站分析指标
所谓的细分法是指将网站的访问者基于某些条件进行分类(细分),再分别进行分析的方法。网站分析数据细分时常用的分析指标如下:
指标 | 说明 |
网页浏览数,访问次数,访问者数 | 对各个细分维度流量进行比较。 例如【初次访问的网页阅览数=5000,再次访问的网页阅览数=20000】 |
停留时间 | 统计哪个细分维度下的用户在网站内停留时间较长,也可以由平均每次访问的网页浏览数代替。 例如【完成转化的用户在网站内的平均停留时间是10分钟,未完成转化的用户网站内的平均停留时间是3分钟】 |
跳出率 | 追求优质客户和优质内容。 例如【当首页作为进入页时的跳出率是30%,当活动页面作为进入页时跳出率是60%】 |
初次访问率 | 统计各细分维度的初次访问比例。 例如【完成转化的用户中初次访问占35%,未完成转化的用户中初次访问占52%】 |
转化数(率) | 统计各细分维度的转化数(率)。如果能够寻求到转化率很高的高级细分维度,对关键绩效指标(KPI)达到目标会有所帮助。 例如【由邮件营销进入的转化率是2.5%,由某个搜索引擎关键字广告进入的转化率为4.2%】 |
● 细分第一脉:访问来源细分
用户会通过各种各样的途径访问网站,像有通过搜索引擎访问网站的,也有通过点击了博客上的链接访问网站的。
可以将网站的访问来源分为以下6种
访问来源 | 收费 | 免费 |
搜索引擎 | ①关键字广告 | ②自然搜索 |
搜索引擎以外网站 | ③横幅或文字等广告 | ④新闻或博客等友情链接 |
直接进入(没有来源) | ⑤邮件或电子杂志等广告 | ⑥收藏夹或直接输入URL |
■ 搜索引擎进入
搜索引擎(百度和Google等)的进入可以分为【关键字广告】或是【自然搜索】,其中关键字广告的进入是收费的,自然搜索的进入是免费的。
百度访问来源区域划分图
网站分析工具一般通过对比检查访问来源页的URL来判断是否属于搜索引擎的进入,但很多分析工具中默认的搜索引擎列表都是有限的,因此即使是搜索引擎的进入但是该搜索引擎不在网站分析工具的默认列表中,也会被认为是【搜索引擎以外的访问来源】。
所以在Google Analytics的数据收集Tag里经常会见到类似下面的代码,目的就是为把国内常用的搜搜、有道等搜索引擎也添加到Google Analytics的默认搜索引擎列表(https://developers.google.com/analytics/devguides/collection/gajs/gaTrackingTraffic?hl=zh_CN#searchEngine)里:
_gaq.push([‘_addOrganic’, ‘soso’, ‘w’]);
_gaq.push([‘_addOrganic’, ‘youdao’, ‘q’]);
_gaq.push([‘_addOrganic’, ‘sougou’, ‘query’]);
最近更新的Google Analytics也添加了直接在后台设置添加默认搜索引擎列表的接口:
如何识别区分收费来源和免费来源
通过分析来源页URL可以判断是否属于搜索引擎的进入,但是像上图百度访问来源区域划分中,由于收费区域和免费区域被显示在同一页面内,所以很难仅根据来源页URL来区分进入来自哪个区域。
因此为了区分出收费来源,需要为关键字广告特殊定制链接URL,即添加为了识别广告来源的特殊参数;不同的网站分析工具对这一参数定义也不同:
例如维析只需在广告链接URL中添加一个参数banner_id(此参数名也可自定义)即可,详细的广告信息可以在维析后台可视化编辑或直接上传数据文件:
图中banner_id=b0001即为识别广告来源用的特殊参数
相比较而言Google Analytics把广告的详细信息都直接记入链接参数中,由于参数较多,Google Analytics提供了URL生成工具(此工具一次只能生成一个广告URL):
关于具体参数值,这里为了便于解释对照直接使用了汉字,为防止乱码尽量使用英文或拼音
■ 搜索引擎以外网站进入和直接进入
搜索引擎之外网站(媒体型网站、博客、SNS等)的进入可分为【③横幅或文字等广告】或者是【④新闻或博客等友情链接】。收费和免费的区分方法与前面在【搜索引擎进入】中介绍的相同。
直接进入(没有来源)可分为【⑤邮件或电子杂志等广告】或者是【⑥收藏夹或直接输入URL】两种。当点击邮件或电子杂志中链接进入时,由于无法获得来源Referrer,同样可以通过在链接中添加特殊参数来识别不同来源。
直接进入(没有来源)可能的几种情况
访问来源 | 说明 |
直接输入URL/点击收藏夹书签 | 如果被设置为书签的URL带有参数的话,就可以获得访问来源的信息; 如果被设置为书签的URL不带参数或者是直接输入URL的进入的话,就无法获得访问来源的信息。 |
邮件 | 点击邮件中的链接 |
客户端应用程序 | 点击world,Excel等客户端内的链接进入,无法获得访问来源信息 |
二维码 | 手机扫描二维码直接进入 |
■ Google Analytics访问来源细分报告
在Google Analytics中选择【来源】⇒【所有流量】然后按照以下的步骤进行操作:
(1)在默认细分中同时选择“所有访问次数”、“搜索流量”、“直接流量”和“引荐流量”。
(2)选择“网站使用情况”Tab确认基础指标值:
(3)选择“目标集1”Tab确认转化相关指标值:
■ 案例分析
(1)主要访问来源的细分分析
我们先看一下网站各主要访问来源的【访问次数】和【转化率】情况。
• 各访问来源的访问次数和转化率
访问来源 | 访问次数(比率) | 转化率(数) |
全部访问 | 78,622(100%) | 1.12%(880次) |
搜索引擎 | 47,808(60.8%) | 0.98%(468次) |
搜索引擎以外网站 | 19,472(24.8%) | 1.75%(340次) |
直接进入(没有来源) | 1,342(14.4%) | 0.63%(72次) |
网站细分分析报告1
从上表我们可以看出【搜索引擎】方式进入的访问次数占总体的60%以上。转化率虽然比平均值低,但转化数却占转化总数的一半以上,由此可以得知该网站主要依存于搜索引擎的进入。上表我们还可以得知【搜索引擎以外的来源】进入的转化率很高。
• 各访问来源的停留时间和跳出率
访问来源 | 平均停留时间 | 跳出率 | 初次访问率 |
全部访问 | 00:04:50 | 43.28% | 56.97% |
搜索引擎 | 00:05:22 | 38.87% | 59.58% |
搜索引擎以外网站 | 00:03:42 | 55.52% | 59.34% |
直接进入(没有来源) | 00:04:34 | 40.87% | 41.86% |
网站细分分析报告2
从上表中我们可以看出通过【搜索引擎】进入的访问者在网站内的停留时间最长,而且跳出率最低。相反通过【搜索引擎以外网站】进入的访问者在网站内的停留时间最短,跳出率最高。
结合上面两个报告,我发现一个问题:【搜索引擎以外网站】进入的访问者,在网站内的停留时间最短,跳出率最高,据此推断转化率应该很低;但其【1.75%】的转化率却高于平均转化率【1.12%】。究竟是什么原因导致这种现象呢?
(2)【搜索引擎以外网站】进入的细分分析
【搜索引擎以外网站】的细分分析数据可以在Google Analytics中【来源】→【引荐】中找到。
• 【搜索引擎以外网站】进入的细分数据
№ | 来源网站 | 访 问 次 数 |
平均阅 览次数 |
平均停 留时间 |
初 次 访问率 |
跳出率 | 转化率 |
1 | aaa.domain.com | 18,640 | 3.14 | 0:04:21 | 75.12% | 62.04% | 11.21% |
2 | bbb.domain.com | 6,812 | 3.81 | 0:01:42 | 93.69% | 58.00% | 0.44% |
3 | ccc.domain.com | 6,684 | 2.41 | 0:00:58 | 96.11% | 75:00% | 0.00% |
4 | ddd.domain.com | 6,653 | 4.65 | 0:02:19 | 84.68% | 60.75% | 0.75% |
5 | eee.domain.com | 6,064 | 7.55 | 0:04:23 | 79.21% | 42.08% | 1.98% |
6 | fff.domain.com | 6,012 | 1.41 | 0:01:24 | 74.88% | 79.87% | 0.00% |
7 | ggg.domain.com | 5,329 | 6.91 | 0:03:53 | 61.24% | 47.93% | 1.32% |
8 | hhh.domain.com | 4,233 | 1.04 | 0:00:04 | 99.53% | 98.35% | 0.00% |
9 | iii.domain.com | 3,899 | 6.21 | 0:03:35 | 56.64% | 50.14% | 1.06% |
10 | jjj.domain.com | 3,107 | 11.04 | 0:06:34 | 11.61% | 25.16% | 1.29% |
网站细分分析报告3
我们上面通过对主要访问来源的细分分析发现,尽管【搜索引擎以外网站】进入的停留时间很短,跳出率也很不理想,但是其转化率却非常高,这里我们来试着从进一步的细分数据中寻找原因。
上表我们可以看出【aaa.domain.com】的访问次数最多,尽管平均页面浏览次数少了些,但是停留时间长,转化率是比平均值(1.12%)的10倍还要多。这就是【搜索引擎以外网站】进入的转化率高的原因。让我们继续挖掘,为什么【aaa.domain.com】的进入转化率如此的高呢。
打开访问来源网站【aaa.domain.com】和分析对象网站的进入页后,会发现【aaa.domain.com】网页内容刊登有分析对象网站的赠送礼品活动,凡是申请注册为网站会员的访问者都会接收到一份来自分析对象网站寄出的礼物。这样谜底就揭开了:
我们再看一下其他访问来源的分析数据。第5位和第7位的【eee.domain.com】和【ggg.domain.com】相比其他访问来源网站内的停留时间较长,跳出率也在50%以下,转化率超过了1%,是两个不错的来源页,可以考虑是不是能从它们引入更多的流量。但访问次数排名第3位和第6位的【ccc.domain.com】 和【fff.domain.com】的跳出率都在75%以上,转化率甚至为0.00%。通过比较访问来源网站的说明和进入页的内容介绍后,可以推断是由于内容不合所造成,看来对内容的对应调整是必不可少了。
像这样持续的深入对访问来源进行数据细分,就会不断获得一些重要信息,相反如果只注重网站的整体数据是很难发现问题的。当我们从细分数据中找到影响转化率的关键因素时,不要忘了采取相应措施进行优化。
via:digitalforest
14%的公司分析网站数据的员工数量超过5个。
How many dedicated employees does your organisation have doing analysis of web data?
via:econsultancy
Does your organisation use Google Analytics?
相比2009年使用网站分析工具的人有很大的提升,当时只有23%的受访者只使用GA。考虑到GA免费且易用,拥有强大的社区支持可以发挥工具的潜力,如此多企业使用倒毫不为奇。
多渠道归因问题的三种类型:
关于多渠道归因,会有很多的迷惑和不解,在我们的世界里有三种类型的归因问题。
一、多渠道归因,线上到实体店(MCA-O2S):
营销和分析人员尝试去弄懂网络营销和广告的对线下的影响(收入/品牌价值/电话等)。我们把这个归因称为MCA-O2S。
我这里使用的实体店,它包括以下几种情况:零售商店或公司的呼叫中心的销售(订单或目录请求),人们通过在线活动然后去献血,或者任何因为线上渠道带来的线下收入。
MCA-O2S的一个例子是Verizon想知道多少线下和线上电话激活是因为在线搜索广告带来的。
这是我用便利贴画的模型图:MCA-O2S,红色圆点代表我们要衡量的活动节点,这些点可以确保我们理解用户行为,并且得到影响我们市场和广告的行动见解…
我经常与首席执行官和首席营销官们讨论,当谈论到多渠道归因的时候,他们总是会说到MCA-O2S。然而,当我的数据分析同行谈论这个话题时,他们却不谈论MCA-O2S,你可以想像,为什么事情会变得混乱,因为两者之间缺少沟通。
所以,当你遇到一个CEO时,他可能会说:“请帮我解决这个多渠道归因问题”,你会说:“你对哪种MCA模型比较感兴趣?”如果情况是这样的话,就不同了,对问题的进一步明确将有助于促进一个有价值的谈话。
二、多渠道归因,跨多个屏幕(MCA-AMS):
高级领导人,特别是大公司的,当他们说多渠道归因的时候,已经开始提到跨屏幕。
随着移动手机和平板电脑的大量应用,我们都将变成拥有“四个屏幕”的人(电视,台式机,平板电脑,智能手机)。对于这种复杂的景象,许多高级领导人急于想看懂这种复杂的,混乱的景象,急于理清多渠道归因的头绪。他们指的其实就是MCA-AMS。
他们真正想要了解清楚的,是用户在使用多个设备体验互联网网站时,通过什么样的媒体(广告及市场推广)和发生了怎样的结果和转换。
MCA-AMS的一个例子是,假设我在看电视广告的时候,看到了一则广告,然后在我的平板电脑上进行搜索,点击了付费广告后到达了一个相机网站,后来阅读了NexusS相机的评论,我回到家后,使用我的笔记本在索尼网站上下了一个订单。
在这种情况下要将销售归功给谁呢?电视,平板电脑付费搜索广告,智能手机上的评论,PC上的下单。有点晕,对吧?
以下的这张图是关于MCA-AMS的,这个用户体验有点复杂,红色圆点代表的是我们接下来要弄明白的…
我们面临的挑战主要是,当访客与我们的网站互动的时候,不停地切换设备,去追踪他们变得越来越困难。其实,我不应该说越来越困难,我应该说,几乎是不可能的(cookies,通用特定标识符,隐私,政府等原因)。
也许唯一的例外,就是用户使用四种设备时都进行了登录,亚马逊和纽约时报都需要用户进行登录。这类公司通常拥有自己的数据仓库,这些数据仓库容量非常大,这样他们就有能力定期做数据挖掘,并确定用户相关的消费习惯和购买模式。通常,但并不总是,他们还可以梳理出不同设备的收入情况(使用GoogleAnalytics高级细分功能的话,5秒钟就可以)和客户分析的渠道推广计划。
即使这样,它还是很难。对很多人来说这仍然是一个复杂的情况,因为建立数据仓库需要大量的投入,我只能说很抱歉。
我相信真正的解决方案将来自cookies的进步,隐私政策的更新,政府的决策和不断变化的用户使用习惯。然后才是我们对数据处理能力。
通过以上的解释,你可以明白为什么归因模型好像跟MCA-AMS没有什么关系。但是,当你遇到管理人员时,他们可能会说:“请及时解决多渠道的归因问题”,相信这时候大多数人会问更进一步的问题:“你指的是MCA-O2S还是MCA-AMS?”
MCA-AMS很复杂,是一个很大的挑战。对于大多数人来说,还不是一个迫切的问题,但很多人以后都会碰到。
三、多通道归因,跨渠道(MCA-ADC):
觉大多数,在网络营销的圈子里谈到的多通道归因(不是首席执行官和首席营销官),指的都是以下的这个模型。
MCA-ADC是理解数字营销渠道(社交媒体,展示广告,YouTube,推荐来源,电子邮件,搜索等等)的模型,归因于一个特定的转换或者多个转换。
目前所有的网站分析工具,例如AdobeSiteCatalyst,WebTrends,GoogleAnalytics,Coremetrics等,会将转换归属到转换前的最后一次接触的渠道,也就是为人们所熟知的【归因到最后点击】。
有了MCA-ADC,你会试图跳出最后一次点击的思维,而是会考虑转换前的所有渠道(请看以下GoogleAnalytics的例子):
对于这个网站,767次的转换来自同一种路径类型:首先起始于社交媒体网站(例如Facebook,Twitter),然后直接访问网站,然后通过自然搜索到达网站,然后通过推荐网站再次进入,最后产生订单的是直接流量的点击。
数字营销的人员都迫切地想要了解以上转换中,权重是如何计算和分配的。直接流量应该获得50%吗?社交媒体呢?100%?自然搜索呢?2%?但是当我们明白了一个很关键的,隐藏的,细微的差别后,得把我们把刚才的想法先放一放。
当人们谈论MCA–ADC时,他们只是在讨论使用一台设备时的情况。因为网站分析工具去分析一个人使用不同屏幕(AcrossMultipeScreens–AMS)的情况是不太可能的。
所以你上面看到的转换,网站分析工具都可以将网站内容和一个浏览器的多个访问联系起来(请注意,是浏览器而不是人)顺便说一句,GA真是太棒了,因为其它大部分工具都没有能力可以告诉你。
假设以上的自然搜索在手机中产生……不管使用了什么网站分析工具,对于大多数网站来说,访问基本上是丢失的,因为cookie记录在手机的浏览器上,而一部分cookie则记录在电脑的浏览器上,ohmygod.
在cookies,ids,隐私政策,政府指导和用户使用习惯问题没有得到充分解决之前,区分MCA-AMS(acrossmultiplescreens,跨多个屏幕)和MCA-ADC(acrossdigitalchannels,跨多个渠道)是很重要的。
当衡量MCA-AMS的时候,你可以使用上一节中提到的指导。对于MCA-ADC,你会使用一组不同的报告,分别是多渠道路径和归因模型。
我敢肯定,当涉及到MCA–ADC的时候,你已经弄懂了第二个差别。
以上的情形没有追踪和考虑到线下用户行为的影响(O2S),网站分析工具在这方面不是很行,甚至可以说很差。
所以额外的3,835人在商店中或者通过手机渠道(采用上面Verizon的数字)购买是可能的。上述的所有渠道,不管是社交媒体,直接流量,搜索流量,还是推荐流量,都不会获得“权重”。除非你愿意使用在MCA-O2S中所描述的方法。
当你在说MCA–ADC的时候,确保你自己清楚,并且和领导沟通清楚,不是在说MCA-O2S(OnlinetoStore),同时也不是在讨论MCA-AMS。
以下是最后的一张便利贴,红色远点是当你在尝试MCA–ADC时最可能测量的节点:
如果我想卖弄学问的话,我会说这是MCA-ADCFOD模型(Multi-channelattributionacrossdigitalchannelsforonedevice),意思就是一台设备跨渠道的多渠道归因模型。
现在有丰富的分析经验,时间,耐心和上帝的祝福,可以做完整的多渠道归因分析了,多渠道包括多个线上广告渠道,跨设备的用户行为,线上和线下的影响。可惜的是,整体上而言非常难。我说的非常难,基本上就是不可能的意思。当我说几乎是不可能的,我指的是当你知道如何解决广告,线上和线下内容,客户之后的尝试。
我知道这听起来像无稽之言,但是这种讨论的确需要回归现实。有太多的虚假承诺,来自供应商,咨询顾问,微博爱好者,领袖和各路神仙,这对于整个网络营销生态系统是没有帮助的。
MCA-ADC的简单总结:
下一次当你听到有人提到多渠道归因的时候,你应该用你最温和的语气说:“您指的是MCA-O2S,MCA-AMS还是MCA-ADC?”
你会赢得其他人的尊重,因为你知道有三种类型,并且你可以理解他们所说的情形,然后进行进一步的讨论,相信这些讨论对职业生涯甚至商业嗅觉都会有一些提升。
多通道归因模型
对于MCA-O2S和MCA-AMS,它是一项复杂的工作,需要确定“哪种广告/营销手段能获得更多权重。”它需要耐心和技巧,它也需要你对16个策略的执行能力,这些策略包括线上和线下对各自的影响。甚至,它需要一种能力(人+技能+欲望)去进行实验。
所以这个问题:“谁获得多少权重”的优先级会降低。
有了MCA-ADC,任务会容易得多,我们有多渠道路径报告。此外,我们能够在一些工具中对MCA-ADC部分提到的行为(以上两张图片)运用归因模型。
最简单的网站分析工具也会有最常见的归因模型:最后点击,第一次点击,甚至分配。
如果你足够幸运,你能够使用更复杂和高级的工具,将会包括:基于数学算法的,能够调整的时间衰减模型。
如果你更幸运,你将有可能获得一个数字分析工具,它允许你创建一个定制的归因模型。
这些模型应用于MCA–ADC,并为您提供更好的关于数字媒体花费的建议。
这些模型都有自己的优点和缺点,如果你有我的书的WebAnalytics(分析)2.0,请翻到到358页,有些有更多的缺点,几乎没有任何优点,记得一定要规避它们。
其中一些通过了基础的测试,因此相对于停留在【归因到最后点击】的思维,会把你提升到一个更高的层次上。
但是弄懂这些模型的一个最大的好处就是,可以给你关于如何调整媒体花费的直接指导。(将美元、欧元、比索从付费搜索转移到展示广告,或者从展示广告到电子邮件,或者其他组合)
成功是通过策略的不断调整,不断测量变化,逐步改善才能达到的(几个礼拜,如果你公司比较小的话甚至几周)
如果你恰巧在一家大公司,假设你在网络营销的花费在10万美元以上,你很快就会发现你在多渠道归因中所犯的错误会较少,并且你的问题会集中在“我如何权衡我的网络营销组合”,而不是“谁得到更多的权重”。
这将推动你继续研究解决方案,这个解决方案需要独特的个人能力和不死的欲望去测量不能想象的模型。
当你达到这种阶段的时候,你将拥有声誉,财富和幸福。
多渠道归因:总结
这是一个严峻的挑战,因为现实是复杂的。
客户体验是以往任何时候都更加复杂,影响的渠道很多,内容消费很分散,三步走模型(吸引,获取,保留)现在分解成很多不同的部分。
所以,你没有选择。如果想让您的公司有一个有效的广告和营销策略,你必须处理多渠道归因的三个问题。
以下是一些好消息:你不需要一气呵成。事实上,如果你试图这样做,可能会损害你的健康(虽是玩笑,但事实的确是这样)。你应该采取渐进的步骤,步步为营。
以下是一些建议:
1.首先得明确,你在解决管理团队的什么问题。O2S,AMS,还是ADC。
2.使用适当的解决方案。
3.真的要把多渠道路径报告弄懂,他们都是免费的,他们很棒。使用概述报告中的维恩图,并将真实的情况展示给你的管理团队。他们会欣赏你的杰作,并且停止浪费金钱。
4.开始使用简单的模型进行试验。您会从最后点击的归因思维中跳出来,并且放弃。花一些精力在时间衰减归因模型上(理想的情况是运用几种数学模型)。
5.做实验,并且感受不同组合的变化
6.追踪结果,分析数据,改变变量后再进行尝试。
7.一旦掌握后,慢慢转移到媒体组合的实验。
如果在任何一步,你注意到利润率的递减,回到前面的步骤,进行优化,直到值得公司投入更多的钱在下一个步骤中。
专业术语说明:
FUD:Fear,uncertaintyanddoubt的缩写,指的是害怕,不确定和怀疑。
BFFS:BestFriendforever,朋友,引申为解决方案。
MCA-O2S:Multi-ChannelAttribution,OnlinetoStore,指的是多渠道归因,线上到实体店。
MCA-AMS:Multi-ChannelAttribution,AcrossMultipleScreens,指的是跨多个设备,跨多个屏幕。
MCA-ADC:Multi-ChannelAttribution,AcrossDigitalChannels,指的是跨渠道,例如广告,SEO,电子邮件,推荐流量等。
与所有的分析工作开始时一样,在对网站进行路径分析之前,我们需要先确定这次分析的目的。我们希望从这次分析中收获哪些结果?发现哪些问题?或者是验证哪些之前的假设或判断?
这些明确的分析目的会帮助我们选择分析时所需要的具体指标和维度,以及具体的分析方法。如果你对于分析结果没有非常明确的目的,那么多数情况下只会看到一个粗略的网站路径统计数据,幸运的话可能会发现一些访问者在网站中流动的规律,但这并不能带来有价值的结论和建议。更多的时候,这些网站路径统计数据本身可能根本就不准确。我们后面会介绍具体的原因。
那么对于网站路径的分析,我们的目的是什么呢?作为网站分析中的一环,网站路径分析的目的是在网站商业目标之下帮助特定的访问者在访问的不同阶段完成任务,并且提高任务完成的效率。
这里有两个目的,我们分别来说一下。第一个目的是在网站商业目标之下完成访问者的任务。这个目标首先需要分别明确网站的商业目标和访问者的任务,然后将两者进行统一。网站的商业目标只有一个,而访问者在网站中可能有很多个不同的任务。例如,如果销售商品获利是网站的商业目标,那么帮助潜在的购买者在网站中快速找到商品信息的任务就是路径分析的一个目的。而帮助求职者了解公司或职位信息就不是路径分析的目的。第二个目是在第一个目的之上的,对与网站商业目标相关的任务进行优化,提高访问者完成任务的效率。
对于网站路径分析的目的,表述起来比较简单,但在实际的操作中却有很多的问题。下面我们来看下网站路径分析中常见的几个问题。
网站路径分析的问题主要来自两个方面。分别是网站分析工具,分析的需求方和管理者。首先是网站分析工具本身的问题,网站分析工具为了满足不同网站的分析需求,提供了基于页面的最完整的网站路径统计数据。从访问开始直到访问者离开。但是这些数据也足以把人搞晕,因为他们太过基础和散乱,并不是我们想要的信息。这些路径信息只是基础的原材料,需要有目的的进行组织和分类。 其次是分析的需求方,看看能从现有数据中发现什么和提高转化率似乎已经成了标准的分析需求。这种情况下分析人员要同时兼任多个角色,而最终的分析结果也多半以失败告终。
再来看下最开始提到的网站路径统计数据中的问题,这些问题为什么会不准确呢?主要有以下三个方面的原因。
由于以上的三个原因,造成了网站路径统计数据中的混乱和不准确。同时你也不能将不同身份和访问目的的人混在一起进行路径分析。更不能把他们的汇总数据用来计算网站的转化率和投资回报率。这种计算方法是有问题的,完全不符合逻辑。
要避免前面提到的这些问题,我们在进行网站路径分析前要进行细分。路径分析的细分分为两部分,一部分是对访问者的细分,一部分是对路径中任务的细分。在进行细分前我们先要做一些准备工作。
网站路径分析前的准备工作分为量个步骤,第一步是按访问目的对网站的访问者进行分类。并从中找出网站的关键访问者。第二步则是需要分析人员充分理解网站的结构,和各部分功能的逻辑。
第一步的准备工作是对网站的访问者进行分类,这个分类的标准不是按访问者的身份,而是按访问的目的对访问者进行分类。例如前面提到的查找商品,购买商品,获取帮助,退换货,查看物流等等,这些都是访问者访问网站的目的。我们将这些访问目的按对网站商业目标的影响程度和访问者发起的频繁程度进行分类和重要性排序。对于前面例子中的几个访问目的,查找商品和购买商品的与网站商业目标联系紧密,重要程度最强。因此这类访问目的的访问者属于网站的关键访问者。
第二步准备工作是理解网站的结构和功能中的流程和逻辑。这是进行网站路径分析前必不可少的一步。这里我粗略的对需要了解内容和规则进行了简单的分类。
网站内容及页面的结构
网站不同区域和操作的URL规则
网站中哪些功能和路径是封闭的
网站中哪些功能和路径是开放的
哪些页面,功能和流程会进行跳转
不同功能中成功和失败后的步骤
何时开启新窗口,何时再本窗口加载
哪些操作触发新URL,哪些不会
主要的流量来源及占比情况
主要付费流量landingpage
我们先来回顾下前面做过的工作。首先我们确定了网站分析的目的是在网站商业目标之下帮助特定的访问者在访问的不同阶段完成任务,并且提高任务完成的效率。随后我们按访问目的对访问者进行了分类,并找出了网站的关键访问者。而网站关键访问者的访问路径也正是我们下面要进行进一步细分和分析的路径。在整个网站路径中,我们只关注与网站商业目标最相关的那部分访问者的访问路径,如果网站的营销是成功的话,你会发现这部分访问者是流量中占比最大的那一部分,而如果网站的结构和导航的设置也符合商业目标的话,那么他们的访问路径也应该是网站中最重要的一条或几条访问路径。我们把它们称为关键访问路径。下面我们开始对网站的关键访问路径进行细分。
关键访问路径细分的过程分为两部分。第一部分是按照关键访问者的行为模型进行细分,我们称为纵向细分。前面提到过,同样身份同样目的的访问者在完成任务时也会选择不同的方法。比如同样是寻找某个商品的信息,有些访问者会按分类筛选,有些访问者则会直接搜索关键词。而这两类不同的行为模式也是我们纵向细分的标准,他们构成了不同的关键访问路径。
通常我们按照网站中的结构和导航设置,将关键访问者按行为模式分为三类。
三种不同的行为模式构成了同一目的下的三种不同的关键访问路径。这是从具有相同目的的访问者按不同的行为模型对关键路径进行的细分。此时我们要分析的关键路径已经比较清晰了,但还有一个问题就是访问者使用路径时的复杂性。就像我们前面说的,访问者在使用网站时的路径是极其复杂的,这不仅仅体现在访问者身份,目的和行为方式的多样性上,还表现在网站路径入口的多样性上。对于使用搜索引擎的访问者来说,网站中的每个页面都有可能成为路径的开始页面。访问者可以从网站路径中的任意一个环节进入并开始完成任务。对于这种情况,我们要在第一次按访问者行为模式细分的基础上再对每条关键路径进行按任务进行的横向的细分。
关键访问路径细分的第二部分是按任务细分。按任务对路径的细分我们成为横向细分。访问者需要通过一些列不同的任务完成访问的目的。例如,访问者在一条购买商品的关键路径中会分别通过注册,搜索商品,添加购物车,支付等四个主要任务完成关键路径的目的。而对于四个任务中的每一个任务我们还可以细分成更小的任务。例如搜索商品的任务可以再次细分为更输入关键词,点击搜索按钮,查看搜索列表,选择并点击结果这些更为细小的任务。
而无论这些任务中的哪一个都会决定访问者在整条关键路径中能否顺利完成目的。
对于关键路径中的任务,我们可以按以下层级进行细分。首先从任务出发,将关键路径分解为不同的关键任务,这需要你在之前的准备工作中对网站的结构和提供的功能有详细的了解。然后将关键任务分解为关键功能或页面,这需要你对网站的页面URL规则和关键功能的内在逻辑和流程有详细的了解。再将页面分解为不同的元素,最后分解为访问者的不同动作。
在完成关键路径的纵向和横向细分后,我们需要使用指标对细分后的任务进行度量。这里主要使用的指标有三类,他们分别是任务完成率,任务时间和任务负荷。下面我们分别来介绍下三类指标所衡量的内容。
任务完成率
任务完成率是指完成某项特定任务或操作的比率,对于封闭的关键路径来说就是指路径的转化率。而对于开放的路径,由于访问者可以从路径中的任何一个页面进入,因此需要细分为关键功能/页面的任务完成率。
任务时间
任务时间是指完成某项特定任务或操作所需的时间,对于封闭的关键路径是指在访问者在整条路径中耗费的时间。无论是封闭路径还是开放性路径,任务时间都可以分解为完成任务所需的时间,使用某个关键功能所耗费的时间,在某个页面所停留的时间,以及寻找某个特定页面元素所耗费的时间等等。
任务负荷
任务负荷是指完成某项特定任务或操作时访问者所需付出的努力。这些努力可能是点击一个链接打开新的网页,从鼠标切换到键盘的动作,切换输入法的时间,也可能是使用键盘输入文字,甚至是寻找关键信息时移动鼠标的次数或眼球移动的次数和距离。当然,目前并没有这么夸张,我们只需简单的记录鼠标和键盘与网站交互的动作就可以了。(如果你有兴趣将这部分的监测进行细化,可以使用文章结尾处推荐的工具进行更加深入的追踪和测试)和前面的两个指标一样,如果是一条封闭的关键路径,那么任务负荷就是指访问者在整条路径中为了完成目的所采取的动作次数。而无论是封闭还是开放性的路径,任务负荷都可以分解为完成任务所需的负荷,使用某个功能所需的负荷,查找特定信息及元素所需的负荷,以及进行判断和决策的负荷。
前面我们对访问者的关键路径和任务进行了横向和纵向的细分,并建立了衡量路径和任务的指标体系,下面我们开始对关键路径和任务在访问中的表现进行分析。在整个分析中我们基于这样一个假设,网站的关键路径是可以帮助网站完成商业目标的,而设计良好的关键路径则可以在访问者访问时高效的完成任务。
在分析前我们需要先建立一套基准指标用来对比和衡量关键路径及任务的表现。建立基准指标的方法很简单,就是记录下正常范围中关键路径和任务的任务时间和任务负荷。这里需要说明一下的是,这个基准指标应该是一个区间而不是一个单一的数值。下面我们详细介绍建立基准指标区间的过程。
第一步
无论是一个关键路径,还是一个任务或者是一个功能或页面,首先我们按照最理想的情况来记录流程中每个细分任务所需的时间以及负荷。例如对于站内搜索,我们会按照访问者第一次搜索就可以在搜索结果的第一条发现所需信息,并点击进行浏览这种理想情况来记录在整个功能所需的操作次数以及每一步行动所需的时间。而对于列表筛选的功能我们则可按只选择任意一个筛选条件就在结果页的第一条发现所需信息的情况来记录操作次数以及所需时间。这种理想情况下记录到的数据作为基准指标区间的上线。
第二步
在获得了基准指标区间的上线后,我们按现实情况来记录流程中每个细分任务所需的时间及负荷。例如,对于站内搜索,我们按照访问者第一次搜索并在搜索结果的第二页发现所需信息,并点击进行浏览的情况记录整个功能所需的操作次数以及每一步行动所需的时间。而对于列表筛选功能我们按照访问者选择了所有筛选项后发现所需信息的情况记录操作次数及所需时间。这种现实情况下记录到的数据作为基准指标区间的下线。
第三步
在建立了路径或任务的基准指标区间后,我们还需要考虑一下访问者的使用水平。首先,由于我们的工作背景和对技术的理解,测试时操作的速度会高于真实的用户。尤其是当网站的目标用户群为传统行业或中老年用户时。其次,由于我们对于网站和功能本身的熟悉程度,即使是基准指标的下线可能要优于真实访问者使用时的情况。尤其是在任务时间上,因为我们了解自己是在测试的环节中,并且对功能非常熟悉,所以通常我们是不需要决策时间的。而这与真实访问者的实际情况会相差很多。这个因素在创建基准指标区间时需要进行充分的考虑。
第四步
除了前三步外,我们还需要记录下关键路径或任务中的每一步操作,及这些操作的顺序以及产生的结果。这一点非常重要。例如:对于站内搜索来说,这些步骤和顺序可能是点击搜索框,输入关键词,点击搜索按钮,点击搜索结果。
在创建完基准指标区间后,我们来说下衡量的标准。如本部分开头所说,设计良好的关键路径则可以在访问者访问时高效的完成任务。因此,在完成任务的情况下,较短的任务时间和任务负荷可以说明路径及功能的设计是合理的。而任何与任务无关的多余操作都会导致任务时间和负载的增加,也就说明路径及功能的设计中可能存在的问题。下面我们按照这个标准结合基准指标开始对关键路径进行分析。
我们对访问者在关键路径中的访问分为了两种情况,第一种情况时访问者通过关键路径最终完成了目的。第二种情况则是访问者没有完成目的。对这两种情况我们也分别采取了不一样的分析方法。第一种完成目的的情况,我们主要通过与前面介绍的指标进行对比来发现路径或任务中可以优化的地方。
思考大于基准指标任务时间的情况
当访问者在整条关键路径中所消耗的时间大于基准任务时间的下线时,我们从时间维度对路径按任务,页面/功能进行细分,并与基准时间进行对比,消耗较多时间可能表现访问者在决策中遇到了问题,也可能是在操作中出了问题,导致浏览了更多的页面或进行了不必要的操作从而花费了更多的时间。这两个问题需要我们与基准时间和操作顺序进行对比。如果是在必要的操作步骤中耗费较长时间可能是我们的页面及信息的表达不够清晰,而如果是因为更多的操作导致耗费时间增加则可能是流程本身存在问题。
思考小于基准指标任务时间的情况
同样,当我们发现访问者所消耗的时间小于基准任务时间的上线时,也需要我们进行关注。方法与前面类似,将访问者的步骤与基准时间的操作顺序进行对比,检查是访问者缩短了在某个步骤的时间还是省略了操作。如果是省略的操作可能说明这个操作的使用率不高或者访问者根本不需要进行这个步骤。
思考大于基准指标任务操作次数的情况
当访问者在关键路径中的操作次数大于基准任务负荷下线时,我们从任务负荷维度对路径按任务,页面/功能进行细分,并与基准任务负荷的操作流程进行对比,查看增加的操作是基准负荷流程内的操作还是流程外的操作。如果是流程内的操作表明关键路径或功能的流程存在问题。而如果是流程外的操作则表明访问者可能需要更多的信息。这里我猜想,如果你发现访问者在购物车流程中总是多了浏览其他商品详情页的操作,会不会说明他们需要另一个将商品放入购物车,而继续浏览其他商品,而不是马上为这件商品付款的需求呢?这只是我的一个猜测而已。
思考小于基准指标任务操作次数的情况
同样,当访问者在关键路径中的操作次数小于基准任务负荷上线时,也需要我们进行细分和对比,对于减少操作的页面和功能进行优化。当然,如果我们在建立基准指标上线时设置的情况足够理想化,应该不会出现这种情况。
第二种失败的情况,我们主要分析导致访问者离开,并未能完成目的的原因。对于第二种情况,我们主要针对导致访问者离开的关键点进行分析。通常来说,访问者在关键路径中未能完成目的的情况主要有三种。第一种是访问者在关键路径入口直接离开,也就是我们常说的跳出。第二种是访问者在关键流程中的页面退出网站,也就是我们说的退出。第三种是访问者在关键流程中离开,但并未退出网站,也就是我们说的流失。下面我们逐一进行说明。
第一种情况访问者在关键路径入口的跳出有两个原因,第一个原因是访问者自身的原因,第二个是路径入口页面的原因。区分这两类原因最好的方法是进行对比,将不同的访问者在同一路径入口的表现进行对比,如果大部分访问者没有跳出则说明是访问者的原因。而如何大部分访问者都跳出了就可能是路径入口页面的原因了。
第二种情况访问者在关键路径中离开网站需要我们对离开的情况和页面进行细分。如果访问者在任务的过程页面离开说明任务过程或功能中存在问题,如果访问者在一个任务结束后离开网站,并未进入下一个任务则可能是访问者自身的问题,例如任务中途被打断或改变任务。也可能是两个任务之间的步骤出现问题。例如:对于站内搜索来说,如果访问者在搜索完关键词未点击搜索结果离开,则可能是搜索本身的功能问题,未提供满意的结果。如果是访问者点击的搜索结果,到达信息详情页离开,则可能本次访问者的目的是查看信息,也可能是信息详情页本身存在问题。需要进行对比和测试进一步分析。
第三种情况访问者在关键路径中离开,但并未退出网站。这时我们需要对造成访问者离开路径的关键页面进行分析,寻找引导访问者离开关键路径的链接。这里分为两种情况,第一种是访问者通过全局导航离开,第二种情况是访问者通过非全局导航的其他链接离开,例如推荐信息或广告。对于第一种情况通过全局导航离开,应属于访问者的主动行为。可能是访问者临时改变目的。而对于第二种情况,则可能由于不必要及错误的引导导致访问者离开,应尽量避免。
最后来介绍下如何对网站路径中的问题进行确定和测试,并推荐一些测试方法和工具。访问者在关键路径中的行为可以归纳为四个步骤,分别是进入,发现,辨别和行动。而后三个步骤则会在访问过程中不断循环。当访问者在关键路径中发生问题,也多半能都属于这四个步骤。下面我们分别来看下四个步骤的意义,测试方法以及相关的工具推荐。
首先是第一步,进入。这个步骤只发生在关键路径的入口。在这一步经常发生的问题是跳出,也就是访问者直接放弃路径入口。这与我们前面提到的访问者任务失败中的跳出关键页面分析相同。主要的测试和优化方法是先通过不同访问者的行为对比区分问题的归属。在此不再赘述。
第二步是发现,当访问者每看到一个新的页面时首先都需要浏览,而能不能发现关键路径的入口和每一步中的重要信息则是访问者是否继续前进的前提条件。这里需要关注的问题是页面中的关键信息或元素是否足够突出,能被访问者看到。
对于这个问题我们使用三种方法对页面进行测试。他们分别是眼动追踪测试,鼠标轨迹追踪和眯眼测试。请注意,这三种方法都是在访问者刚打开页面,未发生鼠标点击前进行的测试。下面我们分别简单介绍。
眼动追踪测试
眼动追踪测试通过仪器追踪访问者眼球在页面上移动的轨迹对访问者的浏览习惯和页面中不同元素对访问者的吸引效果进行测试。这种方法比较专业,但成本也较高。
鼠标轨迹追踪
鼠标轨迹追踪与眼动追踪测试比要稍有延迟,他的原理是我们的鼠标移动轨迹会跟随眼镜移动的轨迹,所以通过记录鼠标的轨迹可以发现访问者对每一页浏览的顺序。这种方法成本较低,在上图中就是通过鼠标轨迹追踪工具记录的访问者鼠标在网站页面的移动轨迹及点击行为,后面会有具体的测试工具推荐。
眯眼测试
眯眼测试法原来是指眯起眼睛来观察模糊的页面,测试能否从中发现关键元素。而更方便的做法是将页面截图,并进行模糊处理来辨别页面中的关键元素。这种方法的好处是排重了页面中文字和图片和功能的干扰。在这种情况下布局合理,重点突出的页面在进行模糊处理后,仍能通过位置及色彩快速的发现重点元素。
mouseflow鼠标轨迹工具
Clicktale鼠标轨迹报告
第三步是辨别,当访问者发现页面中的关键信息或元素后,需要通过辨别上面的文字或内容来判断当前的信息是否与自己的访问目的想符合,并决定是否要继续采取后面的点击行动。这里我们要关注的是从当访问者发现页面中的关键信息到采取行动中间的决策过程。
我们使用时间对访问者的决策过程进行度量。从访问者将鼠标移动到关键信息之上,到点击关键信息这之间的时间我们称为访问者对于该信息的决策时间,从技术角度上来说叫做鼠标悬停时间。清晰明确的信息可以让访问者快速做出判断,从而减少决策的时间。在上面的截图中显示了访问者在我博客首页导航及一些关键信息的决策时间。很明显主导航的“与我联系”这部分存在一些问题。
Clicktale鼠标悬停时间报告
最后一步是行动,这个行动通常是点击。也是我们关注最多的一步。行动是访问者在关键路径中一个循环的结束,同时也是下一个循环的开始。当访问者点击了一个链接后会重新回到第二步,在新的页面和信息中完成发现,辨别和行动的过程。这个过程在每个页面和任务中周而复始,推动访问者在关键路径中前进。
在最后一步中我们使用页面点击热区图和导航路径对访问者的点击情况和点击后的流向进行追踪和分析。
via:bluewhale
在Googel Analytics 中征对页面的一个分析有这么两项指标:跳出率(Bounce Rate)、退出率(Exit Rate)如下图所示:
该指标都可以用来表示离开网站的访问者数量,但两者的计算方法和征对的页面是完全不同的。
跳出是征对访问者来到网站后的第一个页面,即登录页,访问者跳出的动作只有在这个页面上才会出现。
退出是在网站上所有页面都可以出现,只要访问者离开网站就算一次退出,页访问者访问的最后一个页面就是退出页面
如下图所示:
Google Anayltics 跳出率和退出率分析示意图
了解对网站中特定网页的退出率和跳出率的差别,请注意以下三点:
退出率是指该网页是会话中“最后一页”的浏览占此网页总浏览量的百分比。
跳出率是指该网页是会话中“唯一网页”的会话占从此网页开始的所有会话的百分比。
网页跳出率的计算依据只能是由该网页开始的访问。
跳出率:某一范围内的跳出数量/同一范围内总访问量*100%;
退出率:某一范围内退出的数量/同一范围内综合访问量*100%;
我们可以用一个简单的例子来说明最后一点。假设您的网站包含网页 A 到 C,每天只有一个会话,而且网页浏览的顺序如下:
跳出率和退出率分析流程图
在网页 A 的内容报告中,浏览量会显示为 3,跳出率为 50%。您可能以为跳出率会是 33%,但是星期二对网页 A 的浏览并没有计算在跳出率中。既然跳出的概念是指访问者在会话中仅做了一次互动,则这个以会话为中心的分析就是回答一个简单的是非题:“这个会话的浏览量是否大于 1?”如果答案是否定的,那么一定要考虑访问者是在哪个网页跳出的;如果答案为肯定,则只说明会话中的初始网页产生了对其他网页的浏览。因此,一个网页的跳出率只有在该网页发起会话时才有意义。
现在,我们展开这个示例,在网站上每天都只有一次会话的连续几天内,探讨相应的“退出率”和“跳出率”指标。
跳出率和退出率分析流程图
“退出率”和“跳出率”的计算结果如下:
退出率:
网页 A:33%(在 5 个会话中,只有 3 个包含网页 A)
网页 B:50%(在 5 个会话中,只有 4 个包含网页 B)
网页 C:50%(在 5 个会话中,只有 4 个包含网页 C)
跳出率:
网页 A:0%(没有一个会话是由网页 A 开始并从A跳出的,所以没有跳出率)
网页 B:33%(跳出率高于退出率,因为有 3 个会话由网页 B 开始,但只有 1 个发生跳出)
网页 C:100%(有 1 个会话由网页 C 开始,并发生 1 次跳出)
跳出率可以用来衡量流量和页面的质量,高跳出率表示访问者对登录(Landing Page)不感兴趣,没有继续访问更深入的页面,或者是页面设计存在问题,与目标用户不匹配。
退出率因页面意义不同而不同,每个页面都有可能成为退出页面,但如果网站关键流程中中的页面退出率高,就说明该页面有问题。就得对该类型页面进行检查和改善。
来源:52网站分析
网站分析的首要目标是提升线上客户的用户体验。网站分析不是提供报表的一种技术,而是优化网站的一个有效的流程。下述的框架有助于在公司建立数据驱动的文化,去监测客户与网站的交互,细分客户群体,了解每个不同群体的行为,分析不同营销活动的回报率,以及优化网站提升盈利水平。
网站分析的流程:
1、先确定一个明确的商业目标
2、建立一套KPI来监控目标的达成
3、准确及完整的采集数据
4、分析数据,获取洞见
5、对分析中得到的一些假设进行测试
6、行动(根据从分析或者测试中得到的经验进行网站优化)
这个是网站优化的第一步,在提升网站之前,首先要理解网站的目标。下面的问题可以帮助你去定义网站的目标:
网站存在的价值是什么?每一个网站都有自己独特的目标。对某些网站来说,它们的目标是提升网站的PV来卖更多的广告(媒体类网站);对另外的一些网站来说,它们的目标是减少网站的PV,因为他们想访客更快的找到答案(问答帮助类网站);有些网站,它们的目标是使用户去购买(增加销售);而另外一些网站,目标可能是针对满足其条件的客户进行销售(不满足条件的客户会降低利润率)。但,正如JIm Sterne在他的书《Social Media Metric》中所说:
网站的关注点总是在增加收入,降低成本,或者提升客户满意度这三点加上。所以可以把这三个目标一起做。
正如上面的网站分析流程所提到的。目标是网站分析流程的第一步。只有确立了目标后,我们才可以建立KPI。同样,根据网站分析后优化的结果持续的修正目标也是很重要的。
为了监控目标实现,营销人需要建立KPI以了解网站发展的趋势。KPI应该如优秀的艺术品一样,能让你动心。或让你高兴,或让你伤心,但不会让你无动于衷。如果是那样,则表明你用错了KPI
优秀的艺术品是稀少的。每个博物馆都只有少量的令人心动的艺术品;也不是每个艺术品都能获得相同的人欣赏。KPI也是这样,每个公司都只有少量的真正有用的KPI,每个人(或者层级)关心不同类别的KPI(与自己每天的工作息息相关的指标)。如管理人员关心的是总体的目标转化表现,中层管理人员关心的是营销活动和网站优化的结果,分析师则需要关心每一个指标。
好的KPI应该具有下面的四个属性:
确立了网站的目标和相应的指标,才能确定需要采集什么数据。
一个公司在采集网站数据(或评估网站数据采集)的时候,应该问两个问题:
这里不会深入说明数据采集的方式(日志,javascript标记,网络信标或者网络抓包),因为已经有大量的文档说明这些方式如何实现。
下面我提供我在从数据分析方面的一些思考和优化网站的一些步骤
需要知道的是,数据分析有三种结果(如上面的网站分析流程图所示)
在没有经过充分测试之前就完全改版是很不明智的。进行测试,我们可以降低由于设计上的问题造成的收益减少,同时为决策提供科学的支持。但试验的最有趣的地方不是最后的结果,而是对客户的学习理解的过程。测试提供一个机会让你去了解客户喜欢什么,不喜欢什么,什么会影响客户的转化。这些有助于设计出更满足客户需要的网站,提升网站的转化。
网站分析师必须不断去尝试,快速试错,测试各种选项。理解应该是由客户决定,而不是设计师或者网站管理员决定网站是什么样的。试验和测试以民主的方式对一个设想进行判定。这意味着组织里的每一个人都可以提出自己的设想,最终由客户(市场)评判哪个是最好的。这是科学的判断方式。
网站测试的一些技巧::
巴西人有一句很有名的名言:翻译出来的意思就是“煮熟的鸭子飞了”。一个网站分析师成功克服前面的各种困难,得出一些有效的洞见,但在行动上被卡住了,得不到执行,就相当于“煮熟的鸭子飞了”。没有行动的网站分析是没有意义的,网站分析的价值最终要靠对分析洞见的执行,实现对网站的优化展现。
下面是帮助你克服执行瓶颈的一些技巧:
最大的问题是:网站怎么说服访客去购买产品或者阅读文章(完成网站的目标)?答案是:观察数据,理解网站上面发生的事情,听从客户的心声,优化网站以更好的服务用户。毕竟他们是网站存在的原因。应该由客户决定我们应该做什么,而不是咨询顾问、朋友或者自己的感觉。网站数据和在线调查是了解用户需求的最好方式。
via:online-behavior
作者:Daniel Waisberg
在上一回我们说明了网络营销效果衡量的两个最主要方法——衡量人心的改变和衡量人行为的改变。人的行为的改变,按照对它的影响从浅到深的逻辑,我们分为四个阶段:Traffic、Engagement、Conversion和Retention,并且详细介绍了Traffic的情况,下面准备用两次文章,为大家详解Engagement——这么大的篇幅讲解Engagement,实在是因为它很重要,涉及的方方面面也很多,大家如能耐心看完,定能有很多收获。
本文您将读到什么:1) 什么是Engagement,2) Engagement一般包含哪些度量,这些度量有什么含义,3) 需要如何监测以准确获得Engagement的相关度量值。
【正文】
很久以前我写过一篇介绍Engagement的文章:网站分析的最基本度量(8)——Engagement,请大家参考。Engagement并不是指一个具体的度量,而是一系列衡量用户在营销活动中参与程度的指标集合。由于网站是营销活动的一部分,因此engagement很多时候用来衡量用户在网站中与网站内容与功能的交互程度。但engagement其实不仅如此,它也一样可以衡量用户与营销活动的其他交互方式,例如微博营销中用户的阅读、评论和转发,或者受众和富媒体广告(richmedia)的交互情况。Engagement是一个含义丰富的指标,可以这么理解它——它用以衡量在流量产生之后和发生最终转化之前的用户行为和过程,尤其反映用户对于营销活动/网站的兴趣程度以及衡量影响最终转化的诸多因素。
所以我无法给Engagement下一个具体的定义,它是一个指标体系,而不是一个具体的指标,它也不是一个如visit一样的一个标准化的度量。为此,美国人(Avinash Kaushik和Eric Peterson)自己也有不同的意见,一个觉得这是一个值得推广开来成为标准化的度量,一个则认为它不应该成为一个度量,也难以标准化地应用。无论谁更有道理,在解决具体问题中,engagement有它十分明显的价值,因此在我们的核心指标体系中,我一直认为engagement是其中最为重要的一块。
Engagement可以分为两大类,一类是可以标准化衡量用户行为的指标族,另一类则是根据不同情况按需定义的指标族。两类指标的含义不同,作用类似,都非常重要。
标准化的engagement指标分为宏观级别的和微观层面的。宏观的指一个网站全站范围的engagement情况,而微观则指一个具体页面上的engagement情况。
宏观engagement指标主要是我们俗称的老三样——Bounce Rate(跳出率)、PV/Visit和Time on Site,这三个指标描述了三类不同的用户行为。
Bounce Rate说明了用户进入网站后是否对网站的内容产生了兴趣。如果没有,那么这个用户不点击任何页面上的链接就离开,这样他其实就只看到了网站呈现给他的着陆页面(登陆页面)。Bounce Rate是一个随着技术的进步却没有做太大改变的指标。有些朋友问我,如果一个人进入了着陆页面,他仔仔细细看了着陆页上的内容好几分钟,但是却没有点击任何上面的链接查看其他页面,他算是bounce掉了吗?这是大多数网站分析工具的bounce rate定义上明确标明的,即bounce与否其实与这个用户在着陆页上查看的时间无关,只与他是否点击进入了其他页面有关。如果有点击进入其他页面,那么就不算bounce,否则就算bounce,所以上面的情况无论这个访问者看了着陆页面多久,而没有点击任何其上的链接进入其他页面,这仍然是一个bounce。这么看来也许bounce rate的定义过于严厉了,与浏览页面的时间长短无关似乎也不合理(后面还会专门说明时间的问题)。但这个定义是技术简明性以及抓住大概率事件(查看页面好几分钟却不点击页面上任何的链接确实算是小概率事件)共同作用下的效率原则产生的“最佳解决方案”,于是一直被沿用。
有意思的是,很早之前,Avinash对于bounce的解释是在页面/网站上浏览时间少于10秒钟(或是30秒钟,我记的不是很清楚了)的情况。不过,由于用户页面浏览时间不太容易准确监测(或者说准确监测降低了网站分析工具的技术实施简单性),而且替代方案(就是现在的bounce rate的定义)仍然能够相当准确地描述现实中的bounce的情况,因此大部分工具都并未采用浏览时间作为bounce和bounce rate的定义基础。
与Bounce Rate不同,PV/Visit(或者很多时候简写为PV/V)描述另外一类用户与网站的交互行为,即浏览网站的深度。用户一次访问过程中(visit)查看的页面数越多,说明这个用户对网站的兴趣越浓厚。所以一般情况下PV/V越高越好。当然,兴趣有主动兴趣和被动兴趣之分。被动兴趣是指因为在网站中找不到你想要的内容而不断尝试寻找的过程,PV/V也会比较大,但这就不是什么好现象了——不过这种现象非常罕见。
既然谈到了浏览深度,那自然有浏览长度与之对应,即Time on Site,指人们访问网站的平均停留的时间。例如一个网站有3个访问,一个停留了2分钟,一个停留了10分钟,一个停留了0分钟,那么time on site则是4分钟。与PV/Visit一样,一般而言,这个值是越大越好。
不过,值得注意的是,网站分析工具上统计的时间与实际用户在网站上停留的时间肯定是不同的。人们访问网站最后一个页面的时间长短不会被网站分析工具统计到。原因很简单,因为一般的网站分析工具不统计人们离开一个网站的精确时间,而只能记录他访问这个网站倒数第二页的精确时间,这样最后一个被他访问的页面的停留时间实际上被完全忽略掉了。你会问为什么不统计最后一个页面上停留的时间呢?——因为网站分析工具默认对用户关闭页面的行为,或是从这个页面浏览器窗口中跳转到其他网站的行为不做统计,除非你进行专门的设置。
如果不做额外的设置,这种安排意味着两点,第一,网站分析工具统计到的网站浏览时间总是小于网站被打开在浏览器中的时间(尽管浏览器打开页面未必意味着你真的每分每秒都在看它);第二,所有bounce掉的visit(即只访问了一个页面的visit)在网站上的停留时间计为0。
确实有一些网站分析工具打破了这个窠臼,能够尽量记录到人们离开网站的那一瞬间的时间。不过,我个人感觉,其实意义并不特别大,除非各个访问的最后一个页面有很大几率是那些特别需要人们多做停留仔细查看的页面。只要工具统计的方法保持一致性,那么就算少了最后一个页面的停留时间,仍然可以实现apple to apple的比较,仍然可以帮助我们把握用户宏观的engagement情况。而且,还降低了技术实施的难度,并且提高了监测的一致性从而提高了监测精度(因为记录离开网站准确时刻的方法实际上并不是完全可靠的,只有一定的几率能够统计到,这使这些方法实际上的可用性降低了)。
宏观engagement指标中还有一个大家不常用的,就是我们前面所提到的Visit/UV这个度量。它用来衡量访问者访问网站的黏性。如果你喜欢某个网站,你就会经常来,一个UV就会带去多个visits。Visit/UV的数值越高,意味着这个网站的用户忠诚度越高。
其他还有一些表明用户黏性的engagement指标,例如访问频次分布(做一个图),访问间隔时间分布(做一个图)。我一直没有特别多的使用这两个指标,我认为对它们最好的解读是不同网站间的对比,以及与自己心理预期的对比。
图:访问频次
图:访问时间间隔
微观级engagement指标我不想谈太多,本质上就是描述用户在具体页面上的行为,比较重要的一个是exit rate。Exit Rate(退出率)是衡量页面作为用户退出网站前最后一个被浏览的页面的几率(与自己总体被浏览次数相比)。例如某个页面的退出率是75%,那么就意味着访问这个页面产生的所有PV中,有四分之三的PV是这些访问退出网站前的最后浏览页面。请看这个文章了解它的详细解释。
这里我想说的是,exit rate是更微观的说明页面engagement度量(前面都是衡量整站engagement的宏观度量),它是衡量页面表现的度量,类似的度量还有Average Time on Page,Next Page Flow(以及由它产生的热图)等,相关文章很多,就不再跟大家详细介绍了,如果有兴趣,请点击前面这几个链接。
标准化的Engagement指标描述了多种用户行为,但还不足以涵盖更为具体的衡量和分析需求。比如,一个网站有一些很重要的特定的用户行为(Action),例如注册或登录,申请一个试用的机会,下载一个产品说明,或是把某一个额商品添加到购物车。对于这些特定的action,标准化的Engagement指标对它们其实没有任何额外的照顾。
这个时候我们需要自定义的Engagement指标,用于描述那些有价值的特定的用户行为。这些行为有两类:
1. 非标准化的行为:上面提到的那些action,比如注册、登录、试用、下载、点击某个特殊位置或功能、添加到购物车等等,均属于这一类。
2. 根据需要对标准engagement自行设定条件后的更具针对性的用户行为。例如,与一次visit相对,visit时间长度超过3分钟就是一个更为具体的用户行为,或者visit中浏览页面数超过3个的visit也是更为具体的用户行为。另外,还可以设定访问了某一个特定页面的visit,也属于定义了条件的用户行为。这些按照你设定的标准不同,得到对应度量的值也是不一样的。
你会发现这些指标具有相当的“随心所欲”性。没错,它们确实是根据你的需要而自由定义的,这意味着别人所使用的engagement指标可能完全跟你的不一样。但我们确实需要这些指标,否则我们无法全面描述用户行为的特点和价值,也就无法进行针对性的分析与优化。
按需定义的engagement指标的存在,让网络营销分析能够真正与业务相匹配。否则,仅仅只是用visit或是bounce rate来衡量流量和用户的行为,实在太过粗略。
现在,你的问题可能出现了——这些指标既然是自定义的,那么网站分析工具上一定没有一个统一的标准报告提供它们的数据,我们应该怎么获得这些数据呢?
别担心,任何一个指标能够成为指标的必要条件是首先它是能够被监测的。如果不能监测,它存在的价值就没有了,这就是所谓的——无法衡量、即不存在。
自定义的Engagement指标必须能够被监测到。网站分析工具其实提供了非常全面的方法。分如下几种情况:
1. 用户的Action是点击链接后打开一个新的页面的:
这种情况实际上不需要我们做额外的监测工具的实施,因为点击链接打开一个新的页面,即会记录这个新打开页面的新的PV。这样我们统计这个新打开页面的PV就能够知道用户相应的点击链接的次数。当然,点击次数和页面打开的次数并不是100%对应的,但已经非常接近,完全不影响我们分析了。
把数据用Excel下载下来,然后做一个筛选,把你认为属于Engagement的页面访问数据记录下来,bingo!
如果每次点击同样的链接,打开的页面并非是静态URL的页面,而是每次URL都不一样的动态页面。这也没有关系,我们可以通过过滤设置(如GA的过滤设置)来把URL不一样的动态页面统一成同样的URI,这样GA在记录的时候就不会认为是很多页面,而会记录成一个页面了。不过,这个方法必须有一个前提条件,那就是动态页面的URL是有一定的格式的,即至少有一些共性,完全随机的URL就没有办法了。具体实现的方法这篇文章限于篇幅就不再详述了,我准备近期写一篇快速的小文章介绍给大家,敬请期待。
2. 用户的Action是点击链接后不打开新的页面,但打开一些具体的功能的:
这些功能包括:点击之后打开的是JavaScript或者Div浮层的、点击的是Flash的、点击之后是外链的等各种情况。这些情况下需要配置我们的GA监测代码。
1) 点击的对象是JavaScript或Div浮层的:
利用Event Tracking功能(官方文档,英文)或者Virtual Page功能(官方说明,英文)的功能。这个方法的原理是在点击动作本身的onClick事件上加上Event Tracking或者Virtual Page的调用。例如:
<div onClick="_gaq.push(['_trackEvent', 'Videos', 'Play', 'vid 1'])" style="cursor: pointer;"> Your content here </div>
Event Tracking和Virtual Page的区别是,前者会在把点击动作的记录放在GA的Event报告中,后者把这个动作的激活当作一个页面(page)记录,并在Content报告中显示。这两个方法是GA学习必须掌握的方法。——如果大家有需要,我会专门写一个文章介绍这两种方法,如有需要请在下面留言。
2) 点击的对象是Flash的:
思想与上面的情况是类似的,也需要利用Event Tracking或者Virtual Page的功能,但要把相应的方法写入Flash中。有些复杂,需要技术同事帮忙解决。
3) 点击的对象是出站链接的:
官方的方法与监测JavaScript或者Div的方法很类似,是把出站链接(outbound links)的点击行为(onClick事件)做Event Tracking或者Virtual Page。这样需要对每一个出站链接都做onClick事件的引用,并加入Event Tracking等方法。请见这里:http://support.google.com/analytics/bin/answer.py?hl=en&answer=1136920(英文)。这个方法如果对于页面上有很多的出站链接的情况,就显得相当繁琐。
一次性解决方案也是存在的,例如这篇文章所述:http://wptheming.com/2012/01/tracking-outbound-links-with-google-analytics/。我没有亲自尝试,但看代码,应该是可以实现的。
这一章只干了三件事情:讲解了什么是Engagement,包含哪些度量,以及需要如何监测Engagement的相关度量。值得记住的是Engagement包含标准的度量,以及定制化的度量,对于定制化的度量,监测的时候可能需要对工具的代码进行再加工。
本文版权归“网站分析在中国CWA”及其作者宋星,欲转载,请联系作者
下面这张信息视图解读了跳出率的定义,已经影响跳出率的因素,以及如何改进
对于网站运营者而言,管理像网站分析,广告代码,社交分享等各种第三方代码是个头痛事情,于是标签管理系统应用而生,标签管理系统能够简化代码部署的流程,加快部署速度,也使得管理更加便利。就连Google也没有放过这个市场,刚刚于上周推出标签管理系统。
【前言】上期我们详细讨论了bounce rate中的一些大众智慧,为大家说明了“过犹不及”的道理,bounce rate过低并非好事,bounce rate过高也可能只是技术原因。这一期,我们看看朋友们特别喜欢的另外一个工具——热图。看看热图中的大众智慧有什么“小误区”。
【正文】
“一图胜千言”,在网站分析中也完全如此。我们喜欢热图的原因,是这张图非常明确地告诉我们用户对一个页面上的什么部分感兴趣,而且非常直观。我曾经有客户告诉我:我什么都不需要,你就给我热图就好了。我想,他一定是因为热图易读好懂,且满含信息,所以才对它青睐有加。
于是,众多的工具也有意无意强调了热图的重要性,大家热衷创造比“别人”更好的热图功能,从而获取更多的用户好感。
热图可能不像大家想象的那么简单。最早的热图思想来自于研究用户浏览图像行为的那些专家们,其实热图不仅仅只是给网站网页分析用的,热图自一开始,就是一种用于研究人的视觉认知的严肃科学方法。
所以热图并非我们在网站分析工具上看到的热图(点击密度图),而是指用户的视觉注意力图。下面这张著名的Google热图的红蓝渐变就是描绘用户眼球注意力的。
据说Google用这个图来决定广告位置的价格,左边的价格高于右边,显然是因为左边获得的用户注意力远远高于右边。
所以,如果我们只是说“热图”,我们应该想到的是人眼镜的注意力热图,而非点击的热图。而在英语中,视觉热图常用eye tracking heat maps,点击热图则用click heat maps表示,是不一样的。
对于UE设计师,网站UI等负责页面视觉和交互的朋友而言,人眼注意力的热图十分好用。一旦你知道你做出来的东西,人的眼睛是如何进行观察的,你就可以知道你的东西是不是真的“抓住了眼球”,还是仅仅只是让人们“视而不见”。
下面这张图是Facebook改版前后的用户注意力热图。一言两语似乎没法表述这次改版到底是成功还是失败,但在某一个方面,Facebook很成功的让用户的注意力产生了“左右对称”,而摆脱了“Google页面的浏览模式”。
人眼的注意力热图是怎样获得的呢?有两种方法。
第一种方法是利用“眼动仪”,据说这是一种成本很高的方法。人们坐在一个屏幕面前,旁边放上眼动仪记录人的眼球运动轨迹。这种方法很精确,但采集样本比较有限,操作难度也比较大。
第二种方法不需要利用眼动仪,看起来很神奇。它仅仅只需要带有摄像头的笔记本电脑即可。在做测试的时候,摄像头启动,拍录下用户眼球的运动,然后结合被测内容做出用户的眼动热图。这种方法有一个非常大的好处,并非仅在于其成本的低廉,而是由于不需要专门的设备,能够获得较大的样本,甚至能够不受地域的限制。关于这种方法,在国外有服务提供商,名字叫做eyetrackshop,大家可以看看它的视频介绍。
谈了不少注意力热图,该说说点击热图了。关于点击热图,事实上在专门的网站分析工具出现也已经出现了,而并非是Google Analytics或Omniture的专利。依据每个点击带来的效果的不同,点击图其实又可以分为鼠标点击的热图,描述每个链接发生转化数量的热图以及描述每个链接最终产生的销售的热图。我们最为常用的是鼠标点击的热图。
下面我们看看点击热图中有哪些常见的大众智慧,其中又有哪些误区。
我们拿点击热图衡量用户的兴趣,这很恰当,点击多的表明用户兴趣大。但反过来则不一定成立,即点击少的地方不一定用户的兴趣就少,或者说,人们的注意力被吸引的程度和鼠标点击的次数并不总是保持一致的。道理很简单,人们眼光注意到的地方未必是能够被点击的区域,或者虽然对用户产生了吸引力让人情不自禁地多看了两眼,却缺乏足够的说服力让用户点击链接(请注意有吸引力的东西未必就有说服力);反过来,在另外一些地方,也许一开始用户根本就没有给予更多的注意,但部分用户多看两眼后发现了它并且认可这个区域的价值,因此这里也许能获得了不少的点击,但却不是注意力的焦点。因此,点击热图肯定不能完全用来描述页面吸引人们注意力的情况,也不能完全满足我们在设计页面时的一个重要需求,即让页面中最能抓住人们注意力的地方放入最为重要的内容,从而保证用户注意力和兴趣的一致性。
下面这个例子说明了这种情况。左图是这个页面的点击热图,右图是这个页面的注意力热图,二者有一个很明显的差异。
对UE(User Experience)或者UI(User Interface)而言,比较二者(注意力热图和点击热图)的差异具有非常重要的价值。如果某个区域吸引了很多目光,那么干嘛我们不把最重要的内容放在这里呢?反过来,如果某个区域获得了很多点击,而且这个区域是非常重要的,那么我们就需要把它放置在人们目光最集中的地方。可是,如果我们没有注意力热图,那么我们就只能揣测人们的目光会按照我们所希望的方式停留。
点击热图另外一个无法实现的功能是人们注意力移动的轨迹。有一些负责网站分析工具产品的朋友告诉我,我们可以把鼠标移动的轨迹当作用户注意力的轨迹。我不是特别赞同。以我自己的习惯而言,浏览网页的时候,我的眼睛是先行移动的,并且不断快速扫视,直到发现某个我感兴趣的内容,我的鼠标才会相应移动。这就如同我们在驾驶过程中的变线或转向,我们并不会转动方向盘,除非我们首先观察后视镜并且确定旁边没有其他车辆或干扰。
注意力热图可以实现人们注意力轨迹的跟踪,如下图所示:
在这个图中,注意力热图告诉我们,首先吸引人们眼光的是后脑勺,然后才是这个网站的logo。这与我们通常认为的从左上到右下扫视的规律是不同的。
注意力轨迹又给了我们分析一个页面的新线索——页面布局和所用图像的不同,会显著影响用户的注意力。若再与AB测试相结合,又能给我们很多有意思的故事。对UI同事会有很多帮助。
如果我们没有注意力轨迹图,那么鼠标移动的情况可以近似代替。可是麻烦在于,我见过的工具只能给我每一个用户单独的鼠标移动情况,但无法给我总体的移动概况。我们在之后的系列文章中,会强调概况数据的意义,而单独用户数据的意义就要小太多了。
所以,如果有条件,能够把注意力热图和点击热图结合起来,那就太棒了。你观察世界的角度将立即发生变化。毕竟,awareness(意识到)才会有action(点击),二者是单独的两个事物,应该单独衡量。
前面我们了解了点击热图并不能够完全反映兴趣(注意力),下面我们看看在一般工具(Google Analytics或者是Omniture的SiteCatalyst)中点击图可能存在的监测技术问题。
第一个问题是面对一个页面中具有同样URL的多个links无能为力。
如果你足够细心,你会发现曾经在Google Analytics中有一些热图的点击百分比例的标注是实线格,有一些则是虚线格。虚线格的意思是,存在一个或者多个完全一样URL的链接,标注的这个link只是其中之一,并且标注的百分比并非是这个link的点击量,而是所有具有这个URL的links的总点击量。现在Google Analytics采用了更好的方法,即直接标注出这个URL有多少个相同的链接(如右图所示)。因为多个链接共享同一个URL的原因,解释了为什么有一些朋友认真的把Google Analytics页面点击热图的所有百分比加总起来不会得到100%,而是远高于100%的原因。
类似的问题在Omniture技术支持的SiteCatalyst中也一样。
事实上,上面这段话中“点击量”三个字也是不准确的。原因在于,Google Analytics或者SiteCatalyst,它们记录的并非是这个link真实被点击的数量,而是记录了这个link被点击之后打开的相应页面的PV。例如某个link被点击了100次,这个link对应的页面被打开了85次(我们确信有一些点击实际上没有打开页面或者没有被网站分析工具记录到打开页面是完全可能的,也是正常的),那么工具实际上记录了85,而非100。
由于这问题的影响,我们产生了第二个问题——如果我们不做额外的配置(virtual page监测或者外链监测),我们就不能知道一些不能打开新页面的链接,比如JavaScript弹窗,或是链接到别人网站的外链(outbound link)被点击的数量。
所以,一般工具的点击热图并不会告诉你真正的点击量是多少。不过,也有其他一些热图工具它们记录鼠标的动作,而不是记录链接被点击后打开新页面的情况,所以,它们会比较准确的记录实际的网页上的点击量,甚至是鼠标轨迹。但这么做似乎又牺牲了另外一些功能,例如在普通的Google Analytics热图中,可以记录每个link点击之后产生的转化的数量,并且做出一张“转化”热图,销售金额的热图也不成问题,但鼠标动作和轨迹监测工具则难有这样的能力,毕竟它们不知网站的转化情况。
第三个问题是面对页面中的诸如“轮播焦点图”之类的链接比较令人困扰。在这些地方,Google Analytics的热图工具给出了几个并列的若隐若现的数据,并不太容易辨别到底是那个轮播图产生的点击。而且,当你鼠标要放在标签上仔细查看的时候,这个标签又“调皮”地跑开了。总之,不太好用,让人费解。
事实上,Google Analytics或者其他工具直接提供的点击热图,我很少直接使用,除非运营同事特别心急,我更乐意自己根据一些方法自己做给他们,只是为了更准确的说明点击情况。做法是?——看下一节。
为了做好一张准确的点击热图,我们需要请前端工程师同学帮我们做一些前期的事情,这些事情至关重要。
1. 帮助我们加上Google Analytics外链监测和Virtual Page监测。有同学说,我已经利用event tracking,而不是virtual page监测这些JavaScript或者Flash互动,那么event tracking监测到的互动能显示在点击热图上吗?答案很遗憾,是不行的。这就是为什么有时候我还是不得已要回头利用virtual page的原因。关于外链监测,可以参考官方的一篇文章:http://support.google.com/googleanalytics/bin/answer.py?hl=en&topic=11014&answer=55527
2. 帮助我们为具有相同URL的不同链接做好记号。有两种方法。第一种方法,就是在相同URL的后面,加上不同的参数。例如,有两个链接都链接到:http://www.chinawebanalytics.cn/about_author/,技术同事可以帮我们改为:http://www.chinawebanalytics.cn/about_author/?from=navbar和http://www.chinawebanalytics.cn/about_author/?from=footage,以表明一个是在导航栏中的链接,一个是在底部的链接,尽管它们链接地址都是http://www.chinawebanalytics.cn/about_author/,但Google Analytics还是会记录两个不同的页面。第二种方法看起来先进一些,是一个老外提出的方法,他编写了一段程序,你只需要定制一下,然后放在页面中就可以了。一旦这个程序正常运转,GA在捕获这些具有相同URL的链接时,就会把数据放入Events报告中,并且自动加一个尾巴。如下面的图所示(点击看大图):
上面两件事情做好了之后,自己做热图就很容易了。基本的报告是用Content –> Site Content –> All Pages –> Navigation Summary。这个报告我总觉得有一点遗憾,就是似乎不是特别准确,似乎利用了采样数据。如果你选择了上面2中的第二个方法,你还需要参考Events报告。如果你用Omniture的Next Page报告,那么自己做热图就更准确了。
有时候我们并不需要具体到某个点击,而是给出区域的点击图,如上图所示。有时候我们还会根据人群细分点击图,以获得不同人群的行为特征——毕竟人们在网页上最基本的行为就是点击了。
via:http://www.chinawebanalytics.cn/challenge-public-2-heat-map/
大众的智慧一定是正确的智慧吗?或许你也听说了“多数人的暴·政”这个词。无论在何领域,由于“大众智慧”的影响,更高的智商并不总能确保我们做出更正确的决策,一如36kr的文章所说,聪明人有时候可能容易犯傻。所以,这一系列的文章是看一看网站分析领域中的哪些大众智慧可能会让你“误入歧途”。第一篇文章,我们将聚焦于bounce rate。
【正文】
Bounce Rate,网站分析的基本度量之一,相信大家都不陌生。Bounce rate似乎代表着某种网站分析赋予我们的“神奇挑战”,如果我们拥有制服或是支配它的力量,我们就似获得了某项了不起的成就。
于是人们相信bounce rate越低越好,但即如古语所言“过犹不及”,更低的bounce rate或许并不如我们预想的那般美好。
不管怎么样,若是网站(或是某些主要landing page)的bounce rate低于5%甚至只是低于10%,都有可能蕴含着监测技术问题。有至少两种情况会造成bounce rate畸低。
其一,框架页面(即页面通过iframe或frame进行的嵌套)的父页面和子页面如果都加上了监测代码,那么大多数情况下,页面在浏览器端载入时,监测代码会在短时间内被运行两次。对于网站分析工具,例如Google Analytics,会记录有两个不同页面被打开(因为父页面和子页面的URI肯定是不同的),因此这种情况会显然被认为不是一个bounce,哪怕这个用户并没有点击这个页面的任何链接浏览其他页面。我所看到的例子中,这种情况下,bounce rate低于5%。
其二,如果不小心在同一个页面中添加了两个同样的监测代码,或是因为某种原因,让同一条监测代码运行了两次。那么当页面载入,对于Google Analytics而言,如同这个页面被刷新一次,因此GA不把这种情况计算为bounce。这种情况下的bounce rate甚至比第一种情况的bounce rate还要低。不过对于Adobe SiteCatalyst,由于bounce rate定义的不同,这个问题不存在。
当然,或许还有第三种情况,即流量作弊。在比较拙劣的作弊情况下,机器人(或是肉鸡)统一按照某种预设的程序进行的网站访问,会很严重的降低的bounce rate。这种情况毫无疑问不值得开心。
若是bounce rate不合情理的极低,我们能够判断这种情况下出现了技术问题。但如果很低,但又确实还没有达到极低的范围,是否我们就可以松一口气?
我并不敢轻易地下结论,某种意义上,bounce rate低或许也传达出一些其他负面的信息,最大的问题是,过低的bounce rate可能意味着新鲜流量的匮乏。
在网站分析中有一个约定俗成的规律,即对于商业网站而言,bounce rate的值往往和% new visitors有线性相关关系,有些甚至二者有近似1:1的关系,颇有趣味。可以认为,为了获取更多的新流量,我们的代价往往是牺牲了更好的bounce rate,这种牺牲完全可以理解。下图是近50个我曾经监测过的大小网站的bounce rate和新访问比例之间的对应关系,具有比较明显的线性相关性。这意味着某种我们不期待却又实际存在的“悖论”——如果我期望bounce rate降低,那么我应该尽力挽救我的老用户,但老用户比例过大,网站流量的形势恐怕又不会那么乐观。
当然,事情并非绝对,bounce rate并不只是由新访问比例决定。例如,在上图中我们也看到,左下角有一些明显偏离趋势线的点,表现了“更不美好”的一面——很低的新访问比例(10%),却仍然有近50%的bounce rate。而且,bounce rate和% New Visits的整体趋势也显示出,当新访问比例处于低位时,bounce rate的表现非常离散。我们似乎可以得到这样的结论——新访问比例过高几乎肯定影响bounce rate,使其也倾向于偏高;但新访问比例处于低位时,bounce rate的高低则受到更多其他因素的影响。我们后面会讨论这些影响。
Bounce rate低还意味着另外一种可能性,尤其在bounce rate忽然变低的情况下,我们相信是出现了不正常的引导或是诱惑所致。若这引导或者诱惑是有意为之,或无可非议,但若发生了意料之外的情况,则可能对网站经营者带来误导。我曾经遇到过的一个例子是,某个网站的bounce rate忽然在某天下降了约两成,这令人鼓舞。但认真查看数据,我们发现网站的销售量并未发生任何上升,这又不符合常理。我们进而发现,bounce rate下降的前一两周,我们的某一个频道(艺术品售卖频道)上线,我们更进一步发现,在bounce rate下降的当天,网站有很多流量来自于搜索关键词“人体艺术”或是“人体摄影”,而这些流量的landing page即是我们的艺术品售卖频道。有趣的是,这个频道中确实有一些衣衫较少或全无的绘画或摄影作品,而且它们也的确获得了较好的点击。但不管怎样,这不是我们所期待的。
从实际操作的角度看。Bounce rate不高确实要比高让人更愉悦,但要小心,我们也确实也需要排除一些非常原因,以确保我们的bounce rate反映了真实的效果,而不是虚假的繁荣。
反过来看,bounce rate若真的高,也并不一定真是出了大问题,或者说,我们至少应该首先确保高bounce rate不是监测不到位造成的。
最主要的监测不到位容易发生在具有较多非HTML互动元素的页面上,例如一个有很多链接由Adobe Flash或是JavaScript构成的页面上。
无论是Google Analytics还是Adobe SiteCatalyst,对于非HTML互动元素,都需要额外的代码处理,例如利用GA的Event Tracking或是Virtual Page监测功能为这些元素进行标记,从而记录到用户点击这些元素的行为,否则,所有与这些元素的互动网站分析工具都无法感知到。例如在下面的页面中,所有画圈的按钮都是这个页面中期待用户点击的按钮,但它们都是由Flash制作的,点击之后打开的新页面也不是自己的(而是跳转到别人的页面上,这意味着对点击之后打开的页面也无法监测)——也就是说,如果没有额外的监测设置,在这个页面作为landing page的情况下,即使每一个访问者来到这个页面都直接点击了这些按钮,这个页面的bounce rate也会非常高。这并不反映真实的情况。
我认为,bounce rate如果真的很不好,千万不要慌张,首先排除可能的监测问题。当你面对高达95%的bounce rate,你应该这么处理:第一步,确保所有的用户点击行为都能被监测到,尤其是对非HTML元素;第二步,查看页面(或是网站)的新访问是不是高达90%以上。如果这两步你都检查并且排除了,这时你才需要真的为高达95%的bounce rate担心了。
哦,其实也不一定需要那么担心,我们接着看,如果bounce rate本来不应该那么高,我们应该怎么办。
在没有上面所说的那些其他客观原因的情况下,如果bounce rate的表现仍然不佳,这就需要我们从业务(乃至商务)层面上加以改善了。
通常,我们认为bounce rate高是网站出了问题,具体来看,是主要的landing page的表现不佳。但事实上,对于bounce rate的分析和优化我们不简单认为是网站的问题。
去除技术问题之后,本质上,决定bounce rate高低的只有一个因素——匹配,即流量和网站的匹配决定bounce rate的高低。
举个不恰当的例子,一个网站是销售母婴用品的,可是流量的来源全部是Diablo III的玩家,即使这个网站做的极为合理美观,商品极为价廉物美,恐怕bounce rate也不会低。你不能简单认为是流量的错,或是网站的错,根本的问题在于二者完全是“驴头不对马嘴”。
不过,作为唯一正确答案的“匹配”却并非最好的答案,从小学习的经历就告诉我们,理论往往靠不住,不是它不正确,恰恰是它太正确了,以至于空洞无物。我们当然希望bounce rate降低,于是我们当然希望流量和网站匹配,但问题是,怎么才能做到匹配呢?
幸好我们的这个问题不会进入义务制教育的课本,否则它就会永远只是一个理论。同样,幸好我们是分析师,我们知道如何把所谓的“匹配”问题进一步的剖开。由于匹配的两端是流量和网站,那么不匹配有三种情况——要么是网站靠谱但流量不适合网站,要么是流量靠谱但网站不适合流量,要么是二者都同时是屌丝,都很矬,都没戏。第三种情况我就不说了,因为实际上如果能解决前两种情况,第三种情况的解决是完全类似的。
流量是否靠谱
流量靠不靠谱的辨识,要用对比法。通常而言,对于某一个网站,或是对于某一个重要的landing page,如果部分流量渠道bounce rate表现良好而另外一些表现不佳,我们可以认为部分渠道与网站(或landing page)有更好的匹配,而另外一些渠道则匹配不佳。例如下面的例子中,weibo.com的人群似乎不是那么喜欢你的网站。
由于每一个流量来源都代表着某一部分(或几部分)人群,因此我们可以通过不同流量渠道bounce rate的差异读出相应人群是否对你的网站或某一个landing page满意。
在这个例子中,我们还可以看一下第三大流量来源google/organic,它并非很差,但毕竟比它的朋友baidu/organic的表现差不少。为此,我们有好奇心看看到底哪些关键词带来的流量与网站不匹配。分解搜索引擎流量特别有意义,由于搜索引擎的关键词包含了用户的兴趣信息(显然,只有你对某个事物产生了兴趣,你才会搜索它),因此不同关键词的bounce rate直接反映了网站对于这些兴趣的满足程度。
嗯,看来很多人对拉菲和雷朋眼镜感兴趣,而且也能够通过搜索引擎发现你的网站有这些信息,可惜的是,或者这些人并不是真正对你有意义的,或者你的网站内容没有很好的用相关内容吸引他们。
网站靠不靠谱
一般而言,如果所有的流量渠道的bounce rate都很高,那恐怕就不是流量本身的问题了。
上图这个例子不算特别典型,但可以参考,可以看到这个重要的Landing Page(重要的原因是因为它流量很大)的主要流量来源bounce rate表现均不令人满意。假如这里360daohang_navs的bounce rate也高达70%或以上的话,那我们基本上可以判断这个页面bounce rate高企并非流量之过,而是自身或其他因素造成的。
这里稍微做一些解释,大家可以看到这个landing page的名字是“官网商品详情页”,事实上,它并非一个页面,而是这个网站所有商品详情页的集合。关于如何进行网页集群的分析,是网站分析中非常重要的基本功课,在之后的博客文章中,我会专门用一篇进行介绍。
在这个真实的例子中,我们最终确定主要就是页面质量问题,而非流量问题,造成了bounce rate表现不佳。我们打开任意一个商品详情页,如左页,我们都能发现,在这些页面中,对于商品外形的描述、诚信保障的描述以及商品具体注意事项的描述都极为欠缺。不仅仅只是这一类商品,我们发现这个网站所有的商品详情页都极为缺乏细节。
大家可能会怀疑,是否截图的时候故意没有截取更多的内容,请相信我,这个截图所反映的内容就是这个商品在这个页面中所有的内容了。我没有截取的部分只是网站的版权信息等footer的内容。
除了细节,在这个页面中还缺乏说服人们点击“放入购物车”这个橙色按钮的内容。所有的商品均是如此,所以我们丝毫都不奇怪商品详情页无论是作为一个整体,无法获得很好的bounce rate表现。
这个例子向我们表明,若是你的大部分主要流量渠道在某个landing page上的bounce rate表现都不妙,那么最大的问题不是流量本身不够好,而是landing page有问题。
最后做一个bounce rate的benchmark的总结。因为不断有朋友问我自己的bounce rate是否健康,但我总觉得没有给出让他们满意的回答。
原因在于我是“反benchmark派”的。
网站分析的benchmark,由于每个网站个体存在很多差异,因此很难比较。在一篇文章中,我专门提到了过于追求benchmark实际上并无太大意义:网站分析的十大误区及候补(三)。
但我们总还是疑惑,什么样的bounce rate算是健康的?
我下面将给出一些我认为的经验数据,但仅供参考,切记,仅供参考。
为了给出这些benchmark,我首先要确保一个重要因素不发生干扰,即网站的新用户比例是一定的,且约30%。在这个前提下,我们来看看网站各种bounce rate可能说明了什么:
在本文中,你将学到什么:
【正文】
如果这个文章的标题我只是写成“Google Analytics如何定义visit”,是不是你就不会看了?
但可能事情比大家想象的复杂,所以非常希望你能够继续读下去。当然,如果你不是那么明白如此重要基础的一个度量,那么建议你先阅读这篇文章:网站分析的最基本度量(1)——Visit。
我们都知道visit的两句口诀——“30分钟没动静”和“浏览器千万别关闭”。意思是如果浏览一个网站的过程中有三十分钟没有打开新的页面或者没有发生某些action(这些action需要被GA的代码监测到,例如event tracking),那么之后你再在这个网站上进行访问的行为会被记录为一个新的visit。同样,如果浏览器被关闭了,然后再打开浏览器浏览这个网站,GA也会认为发生了新的visit。
现在,大家可以不用记这两个口诀了,因为Google Analytics对visit的定义已经发生了重大改变。
事实上,这个口诀现在必须改为——“30分钟没动静”和“换了来源再进去”。为什么改成这两个口诀,我们先看看Google对visit新的定义是什么(如果你懂英语,而且有翻墙之术,那么你可以看这个文章:http://analytics.blogspot.com/2011/08/update-to-sessions-in-google-analytics.html):
对于第一、二种情况,这是业界约定俗成的,GA更新visit定义的前后并没有对此发生变化。第三种情况则是最为重大的改变。
这种改变对visit的计数带来了什么样的变化?请仔细读我下面的文字,也许有一些长期萦绕心头的问号能够被解开。
在旧的定义中,visit的增加与否其实与流量来源关系不大。在下面的场景中,visit的新旧定义有显著区别。
场景一:
Steven访问我的网站www.chinawebanalytics.cn往往是通过搜索引擎。这一天,他在百度上搜索“网站分析”,然后点击搜索结果进入了我的网站,在网站上浏览了一下,似乎没有找到那篇他曾经记得没有看完的文章。于是,他马上又回到百度,搜索“电子商务关键数字优化”,找到了这篇他要读的文章:http://www.chinawebanalytics.cn/kpi_optimization_part2/。这个过程都发生在30分钟内,而且浏览器没有被关闭过。请问,Steven的这一系列行为为我的网站带来了多少个visit?
对于这个场景,新旧visit的定义不同,对visit的计算也截然不同。
在旧的定义中,只有浏览器关闭或者两个pageview之间的间隔超过了30分钟才算新的visit,所以在上面这个场景中,visit不会增加,仍然只有1。
这个时候,产生了一个麻烦,对于流量来源的统计,有点棘手。我们在流量来源的报告中,两个搜索词(前一个是“网站分析”,后一个是“电子商务关键数字优化”)将会怎么统计呢?这个时候Google Analytics有几种选择:
同学们,你们认为GA怎么处理呢?答案是第四个。很有趣,这是为什么我们过去在GA的报告中可能会发现有些traffic source的visit=0。如果你曾经看到过这种报告,你一定会认为GA肯定出错了。不是GA出错,而是visit定义的机制造成的乌龙。
但是在新的定义中,流量来源的变化会造成visit的增加。上面的这个场景,由于traffic source变化了(从一个关键词变为另外一个),因此visit会增加1。在Traffic Source报告中造成visit=0的困扰也不存在了,两个关键词各自为网站带去的visit都加一。
现在Google Analytics的报告,在任何情况下都不会再出现visit=0的traffic source。但曾经的报告,是存在的。说点题外话,这个定义的改动会改变Google Analytics中的历史数据,所以你在过去的数据中再去找visit=0,已经无处可寻了。
场景二:
现在我们看看另外一个场景中,visit的先后变化。仍然是Steven,他打开了我的网站,然后电话响了,他下意识的直接关掉了浏览器,5分钟之后,电话结束,他又打开浏览器,重新输入我的网站的网址——www.chinawebanalytics.cn在浏览器的地址栏中,然后继续浏览页面。在这个过程中,会为我的网站创造几个visit?
这个场景下,在旧的visit定义中,visit会增加1,即整个过程会有2个visit。因为关闭浏览器会让统计visit的一个临时cookie过期(所谓临时cookie,即是随着浏览器关闭而立即过期的cookie)。
但是在新的visit定义中,visit不会增加1,因为定义中并没有任何关于浏览器关闭的情况。事实上,之前的那个临时cookie仍然存在,而且仍然会随着过期,但是它的内容却不改变了。
Visit的另一个显著改变是Google Analytics放弃了过去严守的对于某些度量的在page范畴和site范畴之间的不相关性。有点拗口,所谓的不相关性,意思是,有些度量只用来描述site这个层级,而不能用在page上。visit是典型的这样的度量,在过去,visit不会用来描述一个page,所以你不能在All Pages报告中间找到visit这个度量,即使是自定义报告也不能把它们弄到一起去。只有一个近似于visit的page层级度量——unique pageview。
这样的定义实际上非常严谨,原因在于visit用于描述一个过程,而对于一个个的单独的页面,是过程中的一个个步骤,所以用visit来描述一个页面是有问题的。但unique pageview就可以——一个visit访问了某个页面3次,那么这个页面的pageview增加3,但unique pageview只是1。下图中,一个visit访问了两个页面,A和B,其中A访问了5次,B访问了3次(因为有刷新,所以有A—>A和B—>B的访问),这个过程中unique pageview=2。
但现在,这个规则部分成为历史。在新规则中,visit可以用来描述页面了。我们从GA的Custom Report(自定义报告)中已经可以发现端倪。
我们在自定义报告中可以看到,Visits这个metric完全可以和Page这个Dimension关联在一起了。不过,为了避免人们一下子不能接受,在默认的page报告中,例如All Pages报告中,Visits还是没有出现。
把Visits和page关联起来,以及前面一节的那个变化——visits的增加也受流量来源改变的影响,这两个对visit这么基础的度量的这么重大的改变,最重要的原因是让GA的Multi-Channel Report(流量渠道归因报告)能够更容易地进行归因处理(特别鸣谢好朋友Robin Li在这个地方的指正)。另一个原因是Google Analytics希望把visit这个度量更好的跟session这个事物保持一致,以避免人们的不理解。例如,上面所提到的visit=0的情况,人们会误认为GA坏了,而现在新的定义,则不再会有这样的误解发生了。
细心的读者会自己试一下我上面讲的内容,如果你真的实验了(我必须支持你这么做),那么当你生成上面的那个自定义报告后,你会发现一个奇怪的现象——大部分的页面的visits数量都要比它的unique visitors的数量小,而且有的小的多,有的小的少,似乎没有规律。如下图:
是不是Google Analytics出问题了?
坦率说Google Analytics在度量上没有bug,任何一个数值都事出有因,哪怕这些数值“看上去不合理”。
为什么会出现这种情况呢?
原来,由于visit是描述一个过程,因此很多visit都会经过不同的页面。在新的定义下,visit可以和具体的页面相关联,那么,当一个visit经过了多个页面时,这些页面各自的visit是否都增加1呢?
并非如此。
原来,在visit访问多个页面的过程中,GA规定只把visit的增加赋给visit经过的第一个页面,而之后的页面不再赋给他们visit,即之后的页面visit不增加。
但是,Unique visitor这个值不一样。GA把UV的增加赋给每一个访问者访问的页面。因此,UV的数量是有重合的(如果你把各个页面的UVs数加总起来,是要远远大于网站的总UVs数的),但Visit没有重合,你把各个页面的Visits数量加总,总数刚好等于网站总的Visits。难怪出现了Visits要小于Unique visitors的情况。
现在我们再回头看看上面那个蓝色A页面和红色B页面的例子,情况确实发生了变化,如下所示:
本文版权归“网站分析在中国CWA”及其作者宋星,欲转载,请联系作者
如果你再认真想一想,说不定你会想到,既然visit并不会平等赋值给这个visit所经过的每一个页面,那么理论上可能有页面的visit报告的visit值是0!如果你这么思考了,恭喜你,你的认真精神确保你能够成为一个出色的分析师。事实上,我想我们并不难找到那些visit=0的页面,只需要做一个visit从小到大的排序就好了。
GA不是一成不变的,其功能上的变化让我们耳目一新,而在度量上的变化,这其实也不是头一次。无论如何,这些变化都在朝着让用户更好用更易理解的方向前进。不过,由于度量的定义需要非常严谨,牵一发而动全身,所以当你发现了一些异常的时候,不要惊慌,很可能只是GA处理数据规则的问题,而不是你的代码加错了,或者是GA没有把你的数据监测好。
via:http://www.chinawebanalytics.cn/how-ga-define-visits/
对于Google Website Optimizer的使用其实并没有那么复杂,使用实验的创建向导结合网页的提示和帮助,普通的用户创建自己的实验完全没有问题,只是网站的千差万别可能有很多的细节方面需要注意,或者需要想一些办法让实验过程和监控结果更加有效。所以这里不介绍GWO工具使用本身,我比较感兴趣的其实是实验输出的结果报表,里面涉及对结果的区间预估,测试方案胜出的概率,提升幅度等,这些指标都用统计学的方法计算得到,相比直接比较两组观察值,比较结果更加科学,更具说服力。
首先看下GWO输出的报告,这里用的是A/B测试,如果使用Multivariate Testing(MVT)报告会有细微的差异,但指标及统计逻辑应该是相同的:
我用GWO实现了一个最简单的A/B测试,一个原始版本和一个测试版本,输出的报告主要是比较实验过程中设定的转化率。上方的折线图显示的是原始版本和实验版本的转化率趋势,截至目前的转化情况显示在下方表格的最右侧(Conv./Visitors),从指标名称看,GWO衡量转化率用的是转化的用户数,应该使用Cookie来唯一识别用户(这里仅是在博客新建了几个简单测试页面,所以数据量较小,而转化率相比正常网站都明显偏高)。
所以,这里重点研究了下图中表格红框内的3个指标,看它们是如何计算得到的。
从图中红框1中可以看到Est. conv. rate,GWO报表对目前得到的转化率做了正负区间的预估,进而可以得到目前该版本转化率可能的置信区间(详见前一篇文章——参数估计与置信区间),这里用当前的转化率估计该版本的总体转化率p,进而可以计算得到总体标准差σ= sqrt(p(1-p)/n),比如这里原始版本的总体标准差约为0.0540,而测试版本的标准差约为0.0647,根据Zα/2×σ计算得到的上表中正负的7.6%和9.1%,所以我们就可以猜出GWO用的Zα/2大概为1.4,这个数值我在测试期间接连验证过几次,基本非常稳定,根据Z值表,这个置信区间大概的置信度在84%,也不知道为什么GWO要选择这么个置信度。
红框1的上方我们可以看到GWO根据测试的效果将测试版本分成了三类,分别用绿色表示胜出的测试版本,黄色表示不确定的测试版本,红色表示落败的测试版本。Google仅给出了简单的说明,建议我们可以选择使用显示为绿色的版本,因为它们有很大的可能性(也只是可能)优于原始版本,而显示红色版本建议可以停止测试。具体到指标需要达到怎样的水平才会显示绿色或红色,我没有去验证,有使用经验的或者感兴趣的同学可以去观察下试试。
之前在T检验和卡方检验这篇文章介绍过可以使用卡方检验的方法来比较二项分布数据间的概率是否存在显著差异,但卡方检验只能检验差异的显著性,没法直接说明某组样本的概率有多少的几率超过另外一个样本,所以在GWO的报告里面没有使用卡方检验,而使用了单尾Z检验。当样本数量超过30的时候,我们一般会使用Z检验来替代T检验比较两组独立或配对样本间的均值差异,因为这里只是为了证明一组样本概率明显超过另外一组样本的可能性,所以使用了单尾检验。计算Z统计量的公式如下:
根据表格的数据,原始方案和测试方案的转化率均值p分别为78.9%和78.0%,根据公式S2=p(1-p)分别计算两组样本的方差为0.1665和0.1716,而两组样本数n分别为57和41,进而计算得到Z=0.1068,查Z值表可得Z=0.10的概率为46.02%,Z=0.11的概率为45.62%,表中显示的Chance to Beat Orig.=45.9%,介于两者之间,使用的应该是类似的统计方法得到的值,偏差是因为中间精度处理引起的。
图中红框3的Observed improvement,这个指标需要结合红框1的转化率置信区间来看,结合条形图可以比较清晰地得出结果,看下我用Excel画的展现估算转化率的类似条形图:
这里我用了两条辅助的虚线,如果第一个是原始版本,那么测试版本所有与原始版本转化率预估区间的差异都会用颜色展现,而观察到的改进就是着色区间的转化率差异。比如图中第二个条形的红色区间展现的相应值为-4.2%,而第三个应该是-1.6%+0.6%=-1.0%,即左侧的负值区间加上右侧的正值区间,第四个为2.9%。这样GWO报表中所有指标的计算都可以明确了
其实,大部分时候我们使用工具来完成分析或测试的过程,也不一定非要了解所有指标最底层的计算逻辑,我们只要知道这些指标的含义及作用,在分析具体问题时合理地使用这些指标就可以。而有些时候我们只能统计得到一些基础数据,所以如何使用这些基础数据得到一些有价值有说服力的分析结论就需要用到一些合适的统计学方法,这也是这篇文章去解读GWO输出报表的原因。
via::《Google Website Optimizer报告解读》
1.玩转Excel
Excel是一个最原始而且最容易入手的分析工具之一,如果你有少量的数据进行分析和汇总的话,Excel是你的不二之选,结合丰富的函数与公式,你能轻松的得到你想要的数据,如果你懂得计算机语言,会使用VBA进行编程那就更是如虎添翼了,并且还可以轻松的制作棒图,饼图,折线图等图表。但是Excel不可能是完美的分析工具,因为他的数据容量实在是太小了,超过1万行的数据请不要使用Excel。
1.1.常用函数:
1.2.常用功能:
2.网站分析基础知识
了解一些网站分析的基础知识是必须的,你要知道什么是会话,什么是PV,什么是UU/UV等指标值的含义。如下图(摘自《网站分析基础教程 第二章》)所示:
3.网站开发的知识
网站分析师通过衡量各种指标值的优劣来评价网站的状况,以及提出改善优化的对策,如果分析师自己对网站的开发和构筑知识一点都不了解,也就不能准确的通过分析指标值的高低衡量网站的运营状况。
作为一名合格的网站分析师,你需要了解一些网站建设和运营的知识,还有网站设计的知识,以及用户体验相关的知识。这样的话你才能提出更有高度和深度的分析报告。
4.网络营销的知识
网站分析师的工作范围从宏观上可以分为“站内”和“站外”两大领域。站内重点在于改善用户体验,优化转化路径,SEO,分析用户行为等站内活动;站外的工作重点则在于如何更多更准确更优质的吸引用户进入网站。
所谓站外的工作主要就是指网络营销,网络营销按照具体的实现方式可以分为:展示广告(Display Advertising)、PPC推广、SEO、邮件营销、视频推广、QQ群推广、博客营销、微博营销、SNS营销等。如果想成为网站分析师你需要学习如下知识:
4.1.广告类型
1.搜索引擎广告(PPC)
2.交换链接
3.横幅广告
4.邮件营销
5.传统媒体广告
4.2. 广告相关指标
1.展现数(Impressions)
2.点击数
3.点击率(Click-through Rate)
4.CPC(Cost Per Click)
5.CPA(Cost Per Acquisition)
6.转化率(Conversion Rate)
7.ROAS(Return On Advertising Spend)
4.3.SEO知识
1.主流搜索引擎的排名算法
2.TITLE,META,Hn,h1等优化
5.测试方法
当网站分析指标的数值变得不是非常乐观的时候,或者你想做一次大规模的推广的时候,也可能是你需要对网站进行改版的时候,作为分析师需要预知改善后的效果是否能够达到预期,这一点是光凭经验很难做到的事情,那么就需要网站分析师聪明的利用师验方法进行验证,这是最直接而且准确有效的方法。
做网站分析师需要学会使用如:A/B测试,多变量测试,用户体验测试等测试方法对改善方案进行预评估,以减少新方案的实施风险。
6.交流能力
作为一名网站分析师,你需要和很多的人协同完成工作任务,其中包括项目经理,产品经理,运营经理,实施经理以及工具提供商等。高效率,准确的交流显得尤为重要。
对于交流来说,语言的表达能力作为最基本的能力要素不可或缺,但想要能顺畅的交流仅仅依靠语言是远远不够的,还需要有一定的资料的组织能力和总结能力,以及团队合作意识。
7.演讲的能力
当以网站分析师为主导进行一次网站的改版或升级的时候,通常的做法是用数字和图表来说服决策层和保守派,但事实上并不那么简单,说服更多人除了靠准确的分析数据以外,还需要网站分析师非常具有煽动性的演讲,以及面对质疑从容不迫的回应。网站分析师需要把自己的自信通过演讲的形式传播给参加会议的所有在场的人。
8.会做PPT
演讲和演示的时候,必备的利器!当然如果你能够做出很炫的动画效果将能感染更多的。
9.计划管理能力
如果你在一家小公司担任网站分析师职务的话,计划管理可能显得不那么重要,但如果你是一家大公司的网站运营经理,或者带领一个几十人的分析师团队的话,计划的管理能力将显得尤为重要。为了更好的和项目经理以及公司管理层的交流你需要具备这项技能,甚至有必要学习一些项目管理的相关知识,比如PMP认证等。
via:数码林网站分析博客
没有数字和分析,没有电子商务。
【前言】
从事电子商务的工作一段时间,发现自己对于数据的想法有了很多变化。过去,我们拿着国外的理论,然后站在河边的岸上,对河中游泳的人们指指点点。今天,当你也跳入河中,就是全然不同的感受。一方面河水冰冷刺骨,另一方面,也开始理解为什么曾经河中的人们用各种“怪异的姿势”奋力搏击。这一篇文章,是我在杭州参加车品觉老师《智论商道,西湖秋学》活动的演讲整理,也记录了我的“河中感受”。
【正文】
这是一个很大很难但也是每一个电商人都会问的问题——我该如何优化我业务中的关键数字。
我也面临这个问题——这个有数百种,不数万种各不同相同答案的问题。优化关键业务数字,没有固定的策略,因此也就没有固定的答案,但却并非无迹可循,而是有章有法的。甚至,这些方法事实上并不需要你去从头摸索,前人早已准备了众多滋养,只需你有心跟随即可。
既如此,就让我们先看看前人给我们这些滋养是什么。
关键的第一步
优化电子商务关键数字的第一步是什么?
说来好笑,这个问题的答案是——什么电子商务的关键数字?不过这可是个很严肃的答案,当然,也是一个很严肃的问题。
分析不是为了分析而分析,没有明确目的的分析,是“无病呻吟”。分析是需要消耗资源的,而且消耗的全部是“沉没资源”——时间,你不能把分析投入到本来不需要分析的领域去。因此,电子商务关键数字优化的第一步恰恰是识别关键数字是什么。
对于电子商务关键数字的识别,是起始于“KBR”的。KBR是我在Adobe Omniture的时候被洗脑的一个词,意思是Key Business Requirement。当然,这不过是人头马酒瓶装二锅头罢了。KBR没什么新意,不过点明了你的分析要从组织的关键业务需求开始。
但这个思想很重要,本质上,这个思维方法就是我们熟悉的“金字塔思维方法”——事情有一个根本的基点,一切最终要回到这个基点。我们在分析的时候,很多时候是被兴趣所指引,发现了麻雀去追麻雀,发现了兔子又去撵兔子,这是分析工作最初吸引新来者的很重要的原因——看起来一切都是非常新奇有趣的。可是商业分析,你不能浪费你的“沉没成本”,我们不为兴趣所指引,我们所做的一切都需要不断反问自己,是否是围绕着KBR进行的。
KBR意味着组织的“当务之急”。对于电子商务,尤其是国内的电子商务,业务上的当务之急是清晰而明确的——增加销售,降低成本。不过这不能算KBR,因为它太过于粗放,而且不够具体。但沿着这个方向,我们会发现大部分电子商务公司在增加销售和降低成本方面都根本上将聚焦于下面两个事情——量和率。
量,当然,归根结底是销售量,不过销售量显然决定于流量、注册量,以及转化率和回头率。因此,我们的思维是,要提升销售,我们需要提升流量和注册,并且提升转化和回头的机会。这和做一个线下商店的关键数字指标是类似的——人流量多少,多少人进店买了东西,又有多少人还回来。
说一点题外话。我认为国内的电子商务公司,因为它们本身所具有的“股票公司”的特性,利润率什么的,反而不是真正他们关心的。区分什么样的电子商务公司更在乎利润率的一个有趣指标是——他们是否获得了外部投资。当这些公司没有外部投资,维持在一个较小规模的时候,利润率是非常重要的;但当投资进入,扩大规模、挤死竞争对手成为主线的时候,利润率是一个可以牺牲甚至是必须牺牲的指标了。这很有趣,对消费者而言,当一家电商公司刚刚获得投资的时候,促销一定是很给力的,这时的商品值得购买。
当然,电子商务是否还有什么其他的关键数字,取决于这个公司自身的经营特点和业务特性,这里不再赘述。强调一点,我们关注方法本身,电子商务关键数字优化的第一步是真正识别你的业务的关键数字。KBR不建议是最大的那个放之四海而皆准的目标(例如Revenue),而应该是这个大目标之下,跟你的大目标达成真正关联的那几个可以清晰定量的目标(例如电子商务中的量和率)。你值得花一些时间找到真正的KBR。
建立优化路径
现在,你通过自己的思考或是“老板的指示”知道了KBR是什么。现在你该怎么办呢?
我们都知道,任何复杂的问题都可以遵循一定的方法解决,若没有解决,是因为没有找到方法。例如哥德巴赫猜想,人们并非是在寻找答案,而是在寻找方法。同样,KBR不能优化,并非是它不能优化,而是我们可能没有找到正确的方法,或是没有去正确执行这些方法。
下面是我的方法,你当然也可以建立你自己的方法。有效果的方法就是好方法,这里没有标准答案。
上图是我总结的KBR的优化路径。这个路径看起来文字众多,步骤繁琐,实际上思想非常简单。你也可以看我下面的文字描述,可能更容易理解:
定义KBR——分解影响KBR绩效的驱动因素——确定这些驱动因素中哪些是基础驱动因素,哪些是非基础驱动因素——尝试分析基础驱动因素并着手改进——同样,尝试分析非基础驱动因素并着手改进——测试你的这些改进是否有效并固定有效的改进(优化)——优化不可能是针对所有人群和兴趣的,所以最后你要在优化的基础上进行动态处理(定制化)。
还是够复杂的,再简单点,用白话!
定义KBR——分解影响KBR的那些破事儿——哪些破事儿更具全局影响力?哪些是局部的?——想办法搞定这些破事儿——真的搞定了吗?测试看看——靠谱的办法固定下来——不能用一种办法搞定,多几个办法针对不同情况!
我觉得KBR就是被这么搞定的。只是每个破折号后面的每一步体现了水平。网站分析甚至不是一个技术活,毕竟我们没搞什么高深的数学模型,但确实需要缜密的心思,丰富的经验,敏感的嗅觉,和不断尝试的勇气。
当然,你可能还是觉得,上面的这个模型(姑且厚颜无耻点把它称为模型),毕竟是一个非常抽象的东西,您可能还是没有太理解,什么是驱动因素?为什么有基础和非基础?测试如何做?又如何动态化定制化?一连串的问题,待我慢慢道来。
基础驱动因素和非基础驱动因素
驱动因素是initiative的翻译,这个词是形容词,也可以作为名词。找不到更好的翻译,于是俺们国人就把它翻译成驱动因素了。
废话不多说,你理解它为影响因子也行(kao…,因子这个词也是人家,是factor的翻译,唉…),就是会影响KBR绩效的那些因素。例如,影响流量这个KBR的因素的驱动因素是资源多少(例如花钱多少)、营销活动的水准、SEO水平等等。这么说应该很好理解。
那么,什么是基础驱动因素和非基础驱动因素呢?这是我自己琢磨的,没理论根据,但我觉得好使。
所谓基础驱动因素,就是那些当你改变了它(优化了它)就会全局性长时间改变(优化)KBR的那些影响因子;
而非基础驱动因素,就是那些当你改变了它(优化了它)就会局部性一定时间内改变(优化)KBR的那些影响因子。
用咱们汉语说,基础驱动因素就是内功,非基础驱动因素则是招式。内功常在,招式则要过招时才发生。
现在可能你明白了一点我想说什么。不过,最好的方法是,我们举一个真正的KBR优化的例子,让我们看看上面的路径和驱动因素如何帮助我们优化KBR。
案例:如何优化KBR之转化率(1)——驱动因素的细分
转化率是我最喜欢谈的,因为对它的研究业界已经很多,但我们似乎总未破解它的迷局。
按照我们前面提到的KBR优化路径,我们要找到转化率这个KBR的驱动因素,并且要把基础驱动因素和非基础驱动因素区分开来。然后分别加以分析和优化。
我是这么分解的,如下图所示:
我影响转化率的基础驱动因素确定为:
关键转化过程
导航(分类)
搜索
信任
……
非基础驱动因素确定为:
产品页面
登陆页面
活动和流量匹配程度
外部流量本身质量
……
先来看看基础驱动因素的确定。关键转化过程,是老生常谈的了,就是在转换路径中各个关键环节。这些环节的某一个或多个做不好,对整体销售转化的影响都会非常大,也就是我们常说的木桶短板效应。导航和分类,本质上是对用户遍历或寻找商品逻辑的有效组织或再组织,不好的导航和分类,让用户没有在合适的位置找到合适的商品,扫兴而归,转化率受损。搜索,跟导航和分类是类似的,只是人们更容易对它产生更高期待,并更容易在期待落空后放弃。
这几个因素,都全局性的影响到转化率这一KBR。无论流量质量(人群价值)如何,无论你的活动页面有多么吸引人,这些因素做不好,转化率都会低下。因为这些因素是基础性的影响。而活动页面的吸引力则非基础性的,A活动的页面不好,那么在下一次B活动中加以改进,仍有机会,但关键转化路径中埋有惊人败笔,却不是活动设计本身能够挽救。
所以,我把它们作为基础性驱动因素。基础性驱动因素还有很多,限于篇幅不再冗举,朋友们不妨留言列举。
【闲来无事多读一点】
同转化率一样,回头率也有基础驱动因素和非基础驱动因素。在会场有朋友问起这个问题,引发了较长时间的讨论。
回头率的基础驱动因素往往是:
细分人群属性
细分人群消费行为
竞争商品
竞争价格
第一次消费体验
转化率(更高的转化率会促进回头率)
……
非基础驱动因素是:
市场及促销活动
精细化找回营销
外部市场环境(动态变化)
……
相对于转化率,回头率的衡量更具有难度,所受的影响因子也更多。优化它的基本方法必须经过人群的细分,按照消费行为、人群属性的细分,挖掘哪些属性、行为的人群的不同流失情况。以辨别流失倾向和人群的关系。另一种细分维度则是按商品品类细分的人群流失情况。哪类商品的购买者更容易发生流失。以辨别竞争商品和价格可能存在的问题。
转化率的非基础驱动因素则比较明显,它们都是局部性的,而且时限性相对较短。例如产品页面,产品页面的介绍对该产品的转化率影响很大,但并不影响其他产品,而且产品有明显的生命周期。登陆页面同样,它们会影响活动的转化效果,但只限于影响自己的活动。流量本身也是动态的,尽管流量永远存在,但却并不能保证每天的流量都能匹配landing page,或是保持持续的较高品质。
现在,你应该能够明白基础驱动因素和非基础驱动因素了。那么,我们这么划分的意义何在呢?
案例:如何优化KBR之转化率(2)——驱动因素细分意义何在
细分基础和非基础驱动因素的意义在于,你能够知道应该先从哪里下手。前文说过,分析是需要资源的,最重要的资源是时间,是沉没成本,你不太能够分析所有的因素,所以分析的艺术是抓住重点直切主题的艺术。
基础驱动和非基础驱动二者,在转化率这个电子商务的KBR上,体现出非常明显的没有抓住重点的趋势。原因无它,我们往往更重视非基础驱动因素而不愿直面基础驱动因素。招式易学,内功难练。
电子商务显现出非常明显的对活动的重视,对流量本身的重视,但却往往疏失关键的转化过程中是否存在明显短板,是否有更好的用户指引,并忽略建立初次和长时间的信任。这些都比不上修正下产品页面,给用户促销,以及产品页面的说服诱导见效快,所以理所应当的被放到次重要的位置上。
这是误区。内功练成,无招胜有招;招式搞定,却不过是空有花架子。基础驱动应该放到更高优先级上,至少它应该跟非基础驱动一并被关注和优化。
好了,这些都是浅显的道理,我就不多啰嗦了。限于时间的关系,我很难找到大段的时间跟大家分享。就先停笔到这里。未来也许某一天,我不会那么忙了,我停下来,能够跟朋友们更多分享。更多的内容,请期待这个文章的后半部分!
欢迎大家留言,想到什么就说什么!
原文地址:http://www.chinawebanalytics.cn/kpi_optimization_part1/
举个实例,请看下面的图片,自然搜索会得到这次转换的所有功劳,但其实访问者第一次是使用付费广告找到网站的:
举个更通俗易懂的例子,目前欧洲杯火爆上演,假设英格兰的一个进球有以下球员共同完成,如下所示:
毋庸置疑,进球肯定是记录在鲁尼头上的,杰拉德获得一次助攻,但是为了更好地衡量球员的表现,需要去分析谁策划的进攻,谁参与了进来,所以就有了之前提到的四种分析模型。
这些网站分析模型,Google分析高级版可以实现,据说Google Analytics(Google分析)高级版可以将营销转换渠道中互动的顺序分得清清楚楚(Google分析高级版是15万美金一年,主要特色是销售转换渠道归因,网站分析服务与培训,数据不采样)。但普天之下,很少有不差钱的主能够用上Google分析高级版,那应该如何处理这个问题呢?
在Google Analytics中,解决方法的数据源来自以下的这个报告:转化 > 多通道路径 > 热门转换路径。
请确认选择了最重要的转换。然后,导出大于0的所有转换路径。
请记住,导出数据后,建议导出的格式为.csv,用Excel打开,将会如下图所示:
在Excel中,用“数据”>“分列”,并选择分隔符“>符号”,然后就可以得到想要的格式了。
请看下图:
注意:这样会产生很多的空格,可以能把数据弄乱,所以需要使用搜索和替换功能把空格去掉。
模型一:最后一次互动
Google Analytics电子商务跟踪默认使用的就是最后一次互动模型,这里就不详细说明了。
模型二:第一次互动
如果想要把所有的功劳都归功于第一次互动的营销节点,你只需要对第一列排序和汇总,并且将转换价值汇总就可以,下图是自然搜索汇总后的结果。
也可以通过Google Analytics(分析)多渠道路径报告中得到第一次互动的数据 ,选择辅助转换,然后选择第一次互动分析。现在通过Excel这样做是因为需要它更容易与其他模型相比较。
模型三:平均分配
如果你想将权重均摊到参与到转换的所有营销节点,那么就需要进行一些有挑战性的工作了。
1.需要弄清楚每个渠道在每个转换中多少次。(你可以用这样一个公式:= COUNTIF)Range,”直接”) – 这会告诉你“直接”在转换中出现了多少次。)同样的,第二个参数可以替换为自然搜索,电子邮件,付费搜索等等;
2.然后将转换中的数值按比例分摊,同时考虑到一些渠道可能会得到更多的权重,因为他们在转换路径出现的次数更多。在第一张图中,我们看到付费搜索出现了一次,因此它会得到的权重是¼。自然搜索出现了三次,所以它得到的权重是¾;
3.可以用这样一个公式来计算渠道的价值:= (该渠道出现个数/总渠道个数)*总转换价值;
4.这里是一个屏幕截图,蓝色框代表的是计数,是这个渠道就是1,不是就为0;红色框是转换价值。
模型四:第一次和最后一次互动
这是Google Analytics 高级版说的“基于位置”的定制,可以根据自己的需要定制。以下是给第一次和最后一次互动各自分配50%的权重:
1.50%的功劳给第一次互动的营销渠道;
2.找出最后一次的互动,可以用这样一个公式:= LOOKUP(REPT(“z”,255),范围),注意这种excel函数只能处理英语,不能处理中文,所以如果处理中文的话,要把渠道的中文替换为英语;
另外一个公式也行,INDEX(Range,MATCH(REPT(“z”,255),Range)) – 只需要替换两个出现Range的地方;
3.将另外50%的价值给到最后一次互动点击。
销售归因模型总结
个人认为,销售归因是网站分析中较棘手的一个问题,销售之所以要归因,是因为要根据渠道来源的表现分配营销资源,而资源的分配是很宝贵的,是营销策略很重要的一个环节。
对于大型的电子商务网站而言,如果一个网站有多种流量渠道,那么就会碰到销售归因的复杂问题。但如果各种渠道分开网站来实施,又是另外一种玩法了,例如专门建立打广告的站点,专门建立电子邮件发送的网页等等。
总而言之,以上的四种网站分析模型是为了解决一个网站有多种流量渠道而提出的,希望对大家有帮助。
via:yaping
一大票分析工具关注的主要都是比较直接的客户数据,比如CV啦、leads啦,但是捏,别忘了还有一个维度更加精彩不容错过——品牌。
悲催的是我们在品牌分析上花的时间忒少,不过当然也是有原因的,主要一是因为品牌营销太飘渺,再者又太崇高,都是战略层的东西了。
那么下面咱就专门针对品牌分析的问题扒一扒,看看咱长期的品牌强度怎么地。
【福利:参考Brand Measurement: Analytics & Metrics for Branding Campaigns】
现在也有许多线上线下各种工具搞那么一批指标打着品牌强度的旗号跑,说它这是打着旗号,是因为品牌强度这玩意也没法会心达意地把人脑子里长期的想法给拉成图标拿出来看,所以咱只能想最好的辙引申到其它的方法中去。
搜索指数 是个好东西,可以看到你品牌的发展趋势、看到长期以来你的品牌影响力是不是够强大。
主动回想下的品牌强度
Google搜索解析里面的数据都是世界各族人民在Google上的自然搜索,咱相信依赖世界人民在搜啥来推测世界人民在想啥还是靠谱的,所以咱是比较倾向用这个工具来分析“主动品牌回想”的。
人家越是主动想到你的品牌,也就说明人家越认可你,想着你念着你,一有需求就琢磨你。咱从来不搜“sports car”,咱一向搜的可是“best Nissan sports car”。
这种主动回想效应可以通过牛叉的产品来提升,比如x平板不叫x平板,叫iPad;也可以通过上帝级的服务来提升,“他们家厕所和KFC似的”(原文为Zappos,改了个大家脸熟的);当然还可以通过线上线下的广告来提升。有时候,这些招还N管齐下。
最近我看电视的时候看见一个eBay Desinger Jeans的广告,我就在Google里搜了一下“Desinger Jeans”(大多人都这么干),结果呢,出来的第一个广告既不是eBay的PPC也不是SEO,居然是Amazon的。Amazon够狡猾,把自己的线上广告和竞争对手的线下广告给绑到一块了,结果现在我搜的是“Amazon Desinger Jeans”了,让Ebay给自己凭做了嫁衣。
所以呢,搜索指数可以让你看到一段时间里你品牌的发展程度,如果你强化品牌宣传,大家也会来找你(别弄得找你的竞争对手),这样你才可以轻易通过搜索(自然或付费都行)抓住消费者。而这种针对品牌的搜索,通常也正是转化得相当豪放的。
查看Google搜索指数
咱来瞅瞅一段时间里你的品牌表现的咋样。
第一步:搜索指数里输入你的品牌和你的直接竞争对手。
第二步:选好正确的时间、正确的位置,尤其还要选好品牌分类
第三步:搜
第四步:现在你可以看到报告了
这就有意思了,咱可以看到eBay(绿)有提升,但是起伏不大,而同期的沃尔玛(红)、亚马逊(蓝)和Target(橙)却是嗷嗷增长。
但是呢,咱分析师都晓得,对比行情好看,但是行业行情会更有意思,所以……
第五步:选择“和零售业分类对比”的标签,嘭~
更好玩了。现在可以看到从04年1月开始,各家的品牌强度和整个零售行业的增长了。
震惊啊,eBay虽然也在线下广告上投入了不少,本身也略有增长,但还是在给同行们拖后腿啊牛内……
eBay的绿线非常接近整个行业的指数,咱可以看到那些个峰值常常一致,而且自打2009年holiday season开始,eBay就更悲了个剧的。
沃尔玛和Target之间也折腾的很欢乐,你追我赶,互相超前,但是最近这三年,沃尔玛就蹬开Target绝尘而去了(你看上一个holiday season沃尔玛那个峰值,艾玛……)
亚马逊也是个很有意思的例子,曾经也算个吊车尾,但是从2009年末开始,就赶超了Target,现在(2011、2012)就更甩开Target一大截了。想想Target投了多少电视广告、散了多少周末传单、买了多少广告展位……亚马逊拿到这一成就着实是了不起。
上面这些趋势曲线,在你的行业分类下看其实更有意思,能够更好帮你理解你品牌强度的增长状况。
下面就自己做做公司的分析吧。
品牌强度真很重要,在我搜“ebay大屏电视”的时候,我的心里只有你。如果我搜的是“大屏电视”,那就不好说了,可能我会奔着亚马逊去,他们排名比较靠前嘛。
品牌强度要通过线上线下广告长期塑造,咱没法去专门为咱的品牌词儿砸钱搞定这事,但是可以把所有和咱品牌相关的词和分类搞定。
【福利:参考视频Enhancing Brand Strength (and Avoiding Brand Destruction) via Social Media】
市场时机
亚马逊的数据上有一点令我格外感兴趣。
咱应该注意到了亚马逊(蓝)的圣诞高峰比沃尔玛和Target来的稍微晚了那么一些。
沃尔玛(红)和Target(橙)在意料之中,这些传统零售商有固定的节日营销日程,过了这个村儿就没了这个店儿。
他们通常也有固定的渠道安排,更偏向传统媒体渠道,网络上的少许多。
但是瞅瞅亚马逊(蓝),图上这块高亮的位置:
亚马逊的峰值是和零售业分类峰值重合的,上一张图上行业值在25%,而这张图则升至37%。
亚马逊自己的数值则是从413%直飙525%,了不起啊,在所有同行正咻地下滑,亚马逊居然力挽狂澜还把行业指数给扳上了高峰。亚马逊的市场嗅觉太强大了,你看2010年也是这样的,感谢各种免费付费搜索策略,带来了无数的顾客商机。
这也正是另外两家竞争对手迅速紧缩支出的时候!不然咱还觉得和依赖快递的亚马逊相比,实体店性质的商家12月会一路赚钱呢。
上图传送门:http://goo.gl/JbUzK
数据?检查完毕。如何行动?
那么接下来咱拿这些数据能干嘛?怎么就能击垮对手呢?
我以前就使用搜索指数指导行动专门写过一篇文章,传送门: Competitive Intelligence Analysis: Google Insights for Search
针对上面的数据,咱可以仔细调查一下在哪些地区咱的主动品牌回想要比竞争对手的差,然后线上线下砸营销,把品牌提升上来。
咱还可以看看报告最下面那一大堆和品牌相关的关键词,左边是热门词汇,右面是火速上升词汇,这些都是你可以用来优化线上搜索营销的。
五项提醒
如果万事顺意那这世界可就太美妙了,但是可惜啊,分析师这辈子得注意的东西就是那么多。
这里有一些建议,请在做分析时谨记:
1.上述数据都是Google的,反应的数据也只是使用Google的人群的,如果你在俄国,咱可能使Yandex,要是在天朝,咱得用度娘。
2.此法适合大、中型品牌,如果你的品牌还比较嫩,可能这个不会很好地帮到你。
3.这些都是些品牌名称的搜索词,有些个brand zebra觉得依靠品牌营销不靠谱,但却觉得非商标性或者长尾检索很ok。
你可能也会听到这些人质疑说,“自从我们主要推广电视广告,我们也不依赖被人google了,人家都直接去看我们的网站”,或者“大家都把我们的网站收藏了,谁还用Google”啊。
话都不错。
为了支持自己的观点,分析师要做的不止是瞅瞅搜索指数完事,咱已经有了搜索行为数据,接下来咱还要看看总体的流量情况。
推荐如下报告:
上图使用的是www.compete.com。咱可以看到这些图表和上面的搜索趋势两相辉映啊。现在就可以回答上面那些质疑
但是这只不过是一处数据来源(估计也是最容易拿到的)来评判品牌强度,如果还有其它的方法自然是妙极,比如做做市场调研就很靠谱。
5.咱写的这几条不够数呢,第五条在你的评论里。
正如 Google Flu Trends所证,在线行为会是预判线下情况非常好的支持。希望咱可以对自己的品牌都分析分析,从各种数据来源丰富报告,最后能够支持公司采取行动提升品牌。
老规矩,该你了:
你的公司现在如何衡量品牌强度以及主动品牌回想?你怎么判断你的竞争对手情况?你是否尝试使用过搜索指数之类的在线数据进行重要分析?你有什么更好的建议和提醒?
分享环节到啦。
译者:Lili
网站分析(Web Analytics)即网站访客行为分析,通过对网站数据进行定量和定性的分析,来不断驱动和提高访问者在网站中的体验,并将访客转化为你的商业目标(在线及离线KPI)
网站分析数据收集与处理
二:为何要分析网站数据?
数据驱动业务提升
从以上的示例图中可以看到,用户从点击访问到完成业务销售的整个环节,Google Analytics、 OMNITURE等网站分析工具收集提供的数据,有助于提升访问体验以获取更高的在线leads的转化。但是在离线leads的监测方面,却一直是一个数据盲点,我们往往无法将访问来源与电话呼叫的数据关联起来,关于离线监测的数据分析,大家请阅读Sidney Song的这篇文章:
线上营销对线下行动效果的监测(下) ,另外一个数据盲点是 客服业务的转化环节,呼叫中心往往无法直接和客户访问来源做关联。我们只有把用户在各个环节的数据有效关联起来,才能第一时间内找到业务优化的正确方向!
最佳实践
1、标识流量源:通过网站分析工具linktag标识,准确标识细分流量渠道。
2、定制商业KPI:了解用户在网站哪些关键行为对网站收益影响最大,并将关键行为定制为关键KPI。
3、监测用户浏览路径:用户是如何在浏览网站?大多用户是在哪些页面流失掉?改进用户访问体验,提升转化率!
4、分析端到端的ROI:从流量源-商业回报分析。
5、计算边际成本:计算每次KPI盈亏成本,并根据每次CPA盈亏成本.得到每次CPC或每个用户获取的盈亏成本。
6、确定优化方向:确定改进哪些环节可以最有效的提升商业回报!并有效执行。
三、哪些数据指标(度量)具有重要意义?
四:KPI定制实例
1、KPI定制实例一
背景:某健康门户站点一直以来只将咨询留言作为关键KPI,但是随着网站接触用户的渠道越来越多(WEB IM,在线QQ,等),及用户对于信息安全的担忧,KPI成本越来越高。也无法通过唯一的KPI客观的判定流量质量。甚至按照此考量标准去优化广告,已经无法支撑网站运营!
(代码实施说明 for Google Analytics
(目标转化配置)
(数据报告)
1、媒介优化考量指标是否合理?
不同KPI转化情况如何? 哪些KPI转化的提升,能有效提升商业回报?
2、留言KPI,在所有KPI转化中占有的比例是多少?
结论:我的KPI设定是否合理?
2、KPI定制实例二
背景:某共享软件站点,由于竞争因素,市场份额不断萎缩. (计划依靠PPC 流量稳定住市场份额与软件销售,但是从自然搜索流量数据发现,大多数的购买转化只有千分之3,按照这个行业平均CPC (0.5美金)成本去计算,如果转化率达不到1%,很难盈亏平衡. (此站点平均每笔订单的金额大概是50美金左右)
代码定制样例
用户在是如何流失?
五:解析流量属性与KPI之间的关系
大多数转化率高的流量源,用户平均停留时间都超过了1分钟. 跳出率都在80%以内
转换率表现最好的流量源,新访问者占有比率很低。
所有停留时间低于30秒,跳出率高于90%的流量源无转化。
这篇网站分析基础及KPI实践,希望对大家能有所帮助。 有什么问题,有什么想法,都尽管留言吧! 同时也期待大家在留言中,分享一些KPI定制的案例和网站KPI定制的经验和见解!
via:adsem
生命周期是指一个主体从开始到结束的发展过程,所以网站用户的生命周期可以解释为用户从与网站建立关系开始到与网站彻底脱离关系的整个发展过程,而用户的生命周期价值就是在这个过程中用户为网站所带来的价值总和。
用户的生命周期可以分为4各阶段,如下图:
从用户的生命周期曲线可以看出用户在于网站建立关系期间一般会经历4个阶段,每个阶段都为网站带来不同的价值:
考察期:用户会试探性的偶尔来访问下网站,这个时候用户创造的价值比较低;
形成期:用户可能已经有点喜欢上你的网站了,他们会不定期的进入网站,并开始尝试做些交互,同时用户创造的价值飞速提升;
稳定期:用户成为了网站的忠实Fans,他们经常会光顾网站,不仅自己使用网站提供的服务,同时可能还会帮助宣传网站,这个用户创造的价值到达最高峰并保持相对稳定;
退化期:用户由于某些因素而开始与网站的关系产生裂痕,进而迅速破裂直到彻底离开,这个时期用户创造的价值迅速递减。
需要注意的是,用户不一定在到达稳定期后与网站的关系才会衰退,在任何时期,只要有某些因素影响了用户的满意度,用户的生命周期就可能进入退化期,进而彻底脱离该网站。
Avinash Kaushik在他的博客中例举的一些例子比较多的是从电子商务网站的角度,因为电子商务网站用户的生命周期价值更易于被衡量,可以直接计算用户从使用该网站开始在网站中的总消费金额、净利润等,基于这些指标通过细分用户的不同来源,可以计算不同推广策略的投资回报率(ROI),进而区分优劣。
这种基于用户生命周期价值的网站来源评价同样也可以用于一般的网站,但是普通网站一般没有交易和销售数据,也可能不是以网站的收益作为网站的目标,那么就不能用用户的交易金额作为评价用户价值的指标。如何定义一般网站的用户生命周期价值可以参考之前的几篇有关用户分析的文章:我们还是可以采用网站用户忠诚度分析中取自Google Analytics中评价用户忠诚度的4个指标——用户访问频率、最近访问时间、平均停留时间、平均浏览页面数。这些指标是所有网站都可以测量得到的,同时提高用户的忠诚度是所有网站的共同目标,忠诚用户对网站的价值是不言而喻的,他们不仅可以为网站带来持续的价值,同时在网站线下的品牌和口碑推广上起着关键的作用。那么这4个指标如何汇总来计算得到用户的总价值指标呢?可以参考用户综合价值评分体系这篇文章,使用层次分析法(AHP)得到各指标的权重,并通过加权求和的方式计算得出用户的总价值,用该结果就可以作为衡量用户生命周期价值的评价指标。
基于网站用户生命周期价值的计算结果,我们可以通过以下几个方面来对用户进行细分:
用户的访问来源:可以对通过计算搜索引擎、外部链接、社会化网络、直接登录等方式首次访问你的网站的用户的平均生命周期价值来比较哪些来源为网站带来了最多的有价值用户:
上图中柱状图表示从各来源进入我的博客的新用户数,折线图表示从各来源进来的用户的生命周期价值的平均(该来源带来的所有用户的生命周期价值总和/该来源带来的用户数,10分制)。从上图可以看出对于我的博客来说,搜索引擎带来了最多的用户(可能大部分网站都是类似的情况),而从带来的用户的生命周期价值平均值来看,外部链接是最有价值的,直接进入次之(可以用于评价网站线下推广所带来用户的价值),社会化网络再次之。所以我一般会把我看到的一些介绍网站数据分析相关的博客添加到我的外部链接表中,如果你也有网站分析相关的博客,或者认为我的博客还不错,也希望能把我的博客添加到你的外部链接表中。
用户首次访问中浏览的内容:基于内容的细分,比如以我的博客的文章分类进行细分。可以选取用户的生命周期价值排在前100的访问用户首次访问我的博客中访问了哪些分类目录下的文章:
上图柱状图表示首次访问我的博客浏览各分类文章的用户数,折线图表示生命周期价值排名前100的用户首次访问我的博客时浏览的各文章分类。这个结果就很明显了,“网站定量分析”这个内容分类为我带来了最多的新用户,同时也为我带来了最多的有价值用户,也是有价值用户转化率最高的分类目录,“个人观点分享”次之。
最后不得不说的就是这个分析中存在的一大技术难点——如何定义一个用户的首次访问。
首先就是如何识别用户是首次访问,也就是该访问用户是新用户(New Visitor),大家估计已经注意到了在Google Analytics工具中的Visitors模块中有一项是根据New和Returning对用户进行细分,Google Analytics可以根据是否存在Cookie来进行细分,用户识别还有很多其他方法,可以参考我之前的文章——网站用户的识别,但不得不说无论何种方法对新用户的识别都存在一定的不准确性。
另外就是如何获取用户首次访问的数据的问题。一般网站保存的统计数据有一定的期限,或者网站的数据统计起步较晚,未能统计到网站的历史数据,尤其对于已经发展了一定时间的网站或者数据量比较大的网站来说,这类统计就更显困难重重,也许这个时候网站的数据仓库就可以发挥它的价值了,数据仓库的数据集成性和保留历史数据并且不易变更的特性让其有能力可以完成诸如此类的复杂数据获取。
via:webdataanalysis
那么对于如此重要且特殊的页面,我们该如何进行分析呢?答案很简单,看页面的分流情况。也就是说看到达这个页面的访问者随后去了哪里。这个方法适合于检验网站中的大部分页面质量,对于网站首页当然也不例外。那么究竟什么是页面分流呢?我们又应该关注页面的哪部分分流数据来衡量和分析页面的质量呢?下面让我们来具体的看一下。
情况1 访问者在浏览完首页后直接离开。
情况2 访问者在浏览完首页后继续点击其中的链接访问下一个页面。
对这两种情况再进行细分后,我们又会得出五种最基本的情况:
情况1 访问者在浏览完首页后直接离开。
情况1.1 当首页为本次访问的landingpage时,离开为跳出。
情况1.2当首页非本次访问的landingpage时,离开为退出。
情况2 访问者在浏览完首页后继续点击其中的链接访问下一个页面。
情况2.1 访问者在首页刷新页面,或点击本页链接(如网站LOGO,首页导航)。
情况2.2 访问者在首页点击出站链接(指向其他网站的链接或广告等)。
情况2.3 访问者在首页点击指向站内其他页面的链接。
在上面的5类最基本的情况虽然都能从不同的维度来衡量首页的质量,如情况1.1的跳出访问可以衡量页面内容与访问者目的的匹配性。情况2.1可以衡量页面的加载情况等等。但对于点击分布我们主要针对情况2.3进行分析。这与我们的分析目的有关。
如果你在没有目的的打开页面点击分布报告,那么基本上你什么都不会发现。里面可能只显示了一些有意思链接点击数据。一些链接获得了很多点击量,而另外一些链接则相对较少。可能你也会零散的发现一些有意思的细节,比如图片链接获得的点击好像普遍要比文字链接获得的点击高一些。页面首屏获得的点击比例要高于页面底部获得的点击。但是,这又能说明什么呢?图片和页面顶部更受访问者欢迎?好像这个发现大家都知道,不需要分析。 能带给我们什么行动建议呢?把网站首页所有重要链接都改成图片,都放在页面顶部吗?这个做法明显不现实,也不会被接受。甚至显得有点傻乎乎的。
要确保分析成功,我们就需要有明确的目的。对于首页的点击分析分析,我们的目的是要通过点击数据检验首页中不同的导航功能是否有效,哪些导航功能工作良好,而哪些导航功能表现欠佳,需要进一步分析和优化改进。在这个明确的目的下,我们将通过分析页面中不同链接的点击量数据获得洞察和改进的建议。
在开始分析数据之前,我们先要了解一下数据是如何产生并且被计算出来的。否则,你可能很容易就会在分析中产生错误的结论。数据和指标永远都是分析的基础。
在Google Analytics中,首页中链接的点击量数据是访问者通过点击首页中的链接而引发的下一个页面的显示次数来计算的。简单的说就是由首页链接而引发的下一页面的综合浏览量。这个数据并不非常准确。以下几种原因都会影响数据的记录,并进而影响首页链接点击量的数据记录。
除此之外,在Google Analytics中还不能区分同一个页面中指向相同下一页的URL。Google Analytics将记录到的下一页综合浏览量统一归属到上一页中相同的URL中。
页面点击量数据可能因为各种原因被影响,但好在我们可以通过之前的检查来避免这些情况,保证数据的相对准确性,另外,即使是不能避免的情况在整个网站中发现的几率也相同。不会影响我们对趋势的判断。
在了解了页面点击量数据的计算方法后,我们可以开始对首页的点击分布数据进行分析了。通常情况下,我们会按照两种方法对首页的点击数据进行分析。
方法一: 将两个单个链接获得的点击量进行对比。例如A链接获得了1000次点击,B链接获得了600次点击。
方法二:将首页中的链接点击量进行汇总,并对不同区域获得的总点击量进行对比。最常见的情况例如:首屏获得了50,000次点击。二屏获得了30,00次点击。
以上两种分析方法都存在严重的误区。并且可能导致分析结果的错误。方法一中对两个单个链接的点击量对比在某种情况下是可以的,比如这两个链接同属于某一小类的导航功能。但在大多数情况下这种单个链接的点击量对比是没有意义的。方法二的这种按区域的对比也是没有意义的。为什么呢?下面我们逐一来说明这两个两种分析方法存在的问题。
1,网站中无论是首页还是其他页面中,不同链接的功能和重要性是不一样的。页面中的链接天生就是不平等的,比如添加购物车链接和导航链接以及帮助链接等等。这些链接在在页面中的位置,显示形式,以及功能和重要度都完全不一样。将这些链接获得的点击量进行对比没有任何意义。如果要进行对比的话,我们必须要将相同功能和重要性的一组链接进行对比。比如全局导航中不同频道的链接或者是分类导航或标签导航中的不同链接。这些链接同属一个功能区,有相同的功能,在相同的位置,展现形式也类似。这种情况下我们才能将他们进行对比。
2,在不同的网站的首页点击量分布中,首屏都会获得最高的点击量。所以将首页点击量按这种方法进行汇总和对比基本没什么意义。为什么这么说呢?因为大部分网站的页面布局方式都是一样的或者说是近似的。举例来说,你会在设计首页时将全局导航或者热门内容放到页底吗?我想肯定不会的。首页中首屏的设计模式就决定了首屏一定会获得最多的点击量。
在这种情况下,将首页按屏幕显示范围进行区域划分,并对比点击量数据就没有意义了。如果需要对首页不同区域进行对比,我们要按功能对链接的点击量进行汇总。而不同功能区域的点击量基本上也不能简单的进行横向对比。
前面说了一堆错误和误区,那么我们究竟该如何对首页点击分布进行分析呢? 别急,下面我们来介绍正确的首页点击分布分析方法。
正确的首页点击分布分析需要三个步骤,第一步对首页内容进行合理的划分。我们知道首页是网站的导航页面,并不提供实际的内容和产品购买功能。唯一的目的是将访问者引导到他们感兴趣的页面或内容中,并帮助他们完成目标。第二步,对首页中不同的导航功能进行质量分析,找出与最初设计不符和存在异常的区域重点分析。第三步,通过对存在问题的导航区域进行细分,找出具体的问题原因,并进行建议和优化工作。下面我们逐一来介绍。
1, 按功能对首页链接点击量进行汇总
对于大部分网站的首页来说,通常可以分为以下几个主要的导航功能区域。
按以上分类将每一个分类中链接获得的点击量进行汇总,获得不同导航类别获得的点击量数据。这时,我们可以发现首页中哪些导航功能最受访问者欢迎。但这还不能说明什么问题。我们需要继续对不同导航功能的效率进行分析。
2, 对首页的导航功能效率进行分析
对不同导航功能区域进行转化率数据汇总,这个功能你可以在Google Analytics的内容分析中找到(Google Analytics—内容报告—网站内容—网页—网页内)。并将不同导航功能区域的点击量数据与转化率数据转化为占比数据进行对比。例如:
在上面的示例数据中,首页的全局导航,类别导航和搜索导航区域转化占比低于点击占比,这三类导航功量高质低,虽然获得了点击,但在后续的转化过程中出现问题,例如站内搜索准确度较差,或者列表页筛选或排序功能存在问题等等。导致转化占比低于点击占比,需要进一步分析和优化。而推介导航转化占比高于点击占比,转化效率较高。
3, 对导航功能点击量进行细分
对于上一步中发现的量高质低的导航区域,我们需要进行进一步分析,细分并对比导航功能中的每一个链接获得的点击和转化量。找出问题具体的原因。如果该导航功能中所有链接转化都较差,则需要对整个功能进行全面优化。如果某一两个链接入口较差,则考虑对入口的形式和内容进行优化。
via:蓝鲸网站分析博客
沃达丰(Vodafone ),是跨国性的移动电话营办商。总部设在英国伯克郡的纽布利(Newbury)及德国的杜塞尔多夫。 现时为世界上最大的流动通讯网络公司之一,在全球27个国家均有投资。在另外14个国家则与当地的移动电话营办商合作,联营移动电话网络。
沃达丰拥有世界上最完备的企业信息管理系统和客户服务系统,在增加客户、提供服务、创造价值上拥有较强的优势。沃达丰的全球策略是涵盖语音、数据、互联网接入服务,并且提供客户满意的服务。沃达丰集团公司目前在全球拥有超过10万员工
但电信运营商终端销售同时也面临着不少问题:电子渠道的销售速度增长开始减缓,获取流量所需付出的价格变得原来越高。人们越来越习惯于在线购买这些移动终端,沃达丰Au(www.vodafone.com.au)需要与市场上其他竞争者区分开来,才能赢得线上用户。获得更多客户,对于其他一些公司来说,只要增加广告投入,吸引更多的流量就可以了。但沃达丰Au希望能通过优化在线购买流程,提高用户体验,提高客户的参与度,以及通过新的市场策略来重获丢失的订单机会等方式来获取更多客户,以应对不断升高的客户获取成本。
在通过网站分析发现购物车上的问题后,沃达丰Au着力于通过优化购买流程来提高订单转化率。在购买流程的优化上,沃达丰Au通过A/B测试和网站分析相结合。通过三个月的测试,沃达丰Au的购买流程转化率有所提高。但沃达丰Au认为应该有更大的提升空间。需要有更综合的手段来收集信息,了解用户的动机是什么,如何能更好的满足用户的需求与期待。
A/B测试:A/B测试是一种新兴的网页优化方法,可以用于增加转化率注册率等网页指标。
使用A/B 测试首先需要建立一个测试页面(variation page),这个页面可能在标题字体,背景颜色,措辞等方面与原有页面(control page)有所不同,然后将这两个页面以随机的方式同时推送给所有浏览用户。接下来分别统计两个页面的用户转化率,即可清晰的了解到两种设计的优劣。
A/B测试
为了了解用户放弃购物车的原因,除了通过网站分析工具进行数据分析,沃达丰Au还在网站上做了一个在线调查。调查结果显示32%的客户表示放弃购物车是因为想到线下商店购买,了解更多产品或套餐的信息。12%的客户表示他们放弃购物车的原因是对套餐仍有顾虑。
通过网站分析、在线调查用户反馈和过去邮件营销数据的综合分析,沃达丰Au创建了一个客户行为模型,然后根据这个模型,通过预先定义的业务规则自动发送邮件给放弃购物车的用户进行二次营销。在用户购买过程中,如果网站分析工具Adobe SiteCatalyst监测到用户放弃了购物车,就会通过Adobe Genesis(Adobe Marketing Suite组件之一,可以快速整合Adobe SiteCatalyst和第三方工具,如邮件服务)和Exact Target(邮件服务提供商)自动发送邮件,旨在通过已有的分析数据,有针对性的打消用户的购买顾虑,让用户重新回到购买流程,完成订单。
二次营销:使用不同的策略和全自动邮件系统来跟踪放弃购物车的网站访客,把访客重新带回到我们网站并且把他转化成付费的消费者的一种营销策略。当一个访客放弃购物车时会留下一些信息,至少会留下注册时填写的的e-mail地址,我们就可以利用这些资料来跟踪访客,发送邮件提醒,通过个性化的邮件将激励访客重新回到购物流程,完成订单。
二次营销
通过网站分析和在线调查,沃达丰Au了解到,用户放弃购物车的很大一部分原因是因为网站提供的内容还不够详细、完整,因此想到线下购买。因此沃达丰Au从网站内容优化做起,提供更加完善、详细的内容。旨在从开始就激励用户完成订单,打消用户线下购买的念头。
如在产品页面加入用户评分和评论;展示一些购买的激励措施;展示丰富的联系信息(在线聊天、邮件和电话),方便用户一有疑虑就可以联系上产品专员,了解更多的产品或套餐信息,而不是放弃购物车;以表格的方式展示套餐,方便用户更好的对比。同时在二次营销的邮件上面,也会有针对性的展示这些内容。
页面内容优化
•
•
•
我们先来普及邮件的几个概念(棕色字摘抄于同事heidi的博文——让电子邮件更给力):
几个重要的假设前提
1.很少有人愿意阅读长邮件——除非你告诉他不读会怎么样,赋予他责任
2.很少有人愿意无理由主动做什么事情——特别可做可不做时,除非价值观特别好,喜欢多管闲事
3.很少有人会仔细阅读你的邮件——千万不要发一封面向很多人的邮件,然后指望大家都在里面仔细阅读找出你期待他做什么事情。
不好的邮件特征
1.写成散文,长而枯燥,又期待人去阅读——这是不现实的
2.重点不突出,反而依赖收件人去提取关键信息:时间、行动、目标
3.群发,导致邮件无针对性——《影响力》一书的观点时,如此会导致责任感被稀释和分散,发送的人越多,真正有价值的回应会越少
与此对应,好的电子邮件应该让收件人一眼就扫到重点:是什么,作为收件人,我需要在什么时间做什么。
我们对系统邮件给一个区分:1.不必要处理邮件(纯宣传邮件),2.必要处理邮件(购物订单状态通知),3.可选处理邮件(社交网站消息提醒)
1.不必要处理邮件(纯宣传邮件)
图1
这类邮件对用户的骚扰是最严重的。它属于纯产品需求,强加给用户的。也许有些用户是喜欢接收这些邮件的,有些是不喜欢接收的。
是不是要为了不想接收到这类邮件的用户提高下体验呢?比如在邮件的最底端有一个退订此类邮件的链接入口(图2)。
图2
当然很多邮箱也有这样的功能(图3),如果系统能够分辨出来订阅邮件不出差错,那是最好的了。
图3
当然,如果是想接收这些邮件的人来说,他们会希望这里面的文字是能复制的,都是有直接链接的,排版是好看的,主题是明显的,这是后话。
2.必要处理邮件(购物订单状态通知)
你的订单到了哪个流程了,你需要知道,你可能还要给出相应的操作,否则订单走不下去了。这类的邮件对于用户来说都是希望看到的,用户希望能极快的阅读,既方便的操作。所以这类的邮件有很多的必要元素
必要处理邮件必要元素
1.发件人:一定要清晰(有高辨识度logo那是最好的)
2.主要内容:内容简介明了,字不要过多,一般提下订单号,状态,用户要进行的操作即可,同时能都有连接直接跳转
3.回邮件无效:这个很重要如果没有,用户很可能以为回了邮件就能有解答了。文案可以推敲
存在的干扰
1.非关联的营销信息:对用户找成干扰,找不到邮件重点
2.色彩:太绚丽不方便浏览
3.主要内容文字数量:太多,不方便抓住重点(1.2.3见图4)
4.主要内容排版:排版不好,不方便抓住重点(4见图5)
图4
图5
良好的体验点
1.风格与网站类似,可信度高
2.字越少越好,突出关键信息
3.善用明暗字色,突出关键信息
图6
3.可选处理邮件(社交网站消息提醒)
这类提醒是前两者从内容上有共同点:1.因为消息提醒的内容不一,用户应该有选择接受哪种提醒的需求。2.对于用户希望接收的信息,用户希望能极快的阅读,既方便的操作。所以在交互上面要结合上面两方面的内容,进行取舍。
这是脸书的提醒,主题内容很清晰,同时有点击”取消订阅”功能
这是我在做后台系统的邮件提醒的视觉效果的时候,总结出来的。首先我们要分析这种邮件是面向那些用户的(我们的后台系统不是大众用户,所以没有”取消订阅”的功能),然后分析我们的邮件是属于那种类型(本博重点),最后再进行相应的设计。
通过分析Doomsday 2012相关的站点流量发现,这些网站并没有吸引多少流量。但是根据国家地理的节目“Doomsday Preppers”,这世界上还真有人把世界末日当回事。我们可以通过节目看到他们所建设的堡垒,存储以备不便的食品供应,准备好用来防御的武器等。
通过分析到国家地理的日搜索流量,还真可以发现,关键词doomsday preppers排在了第四大为国家地理网站带去最高流量的关键词,占网站搜索流量来源的0.90%。
尽管不会有很多人担忧世界末日的问题,但是看看那群担忧的人怎么搞还是很有趣的。
既然要做基于用户细分的比较分析,自然是为了明确某些用户分类群体的行为特征与其他用户群体的差异。这里主要从指导内容层面的调整为导向,通过比较各用户细分群体对内容需求的差异,优化内容运营,将优质的内容或者符合用户偏好的内容推荐给相应的用户。
既然是基于用户细分,首先明确用户的细分规则,这里举例3类细分:流失用户与留存用户、新用户与老用户、单次购买用户和二次购买用户,基于这3类细分,对每个分类的用户购买商品进行比较分析,明确哪些商品更加符合用户的预期。
当然,要区分流失用户和留存用户,首先必须对用户流失有一个明确的定义,关于流失用户的定义可以参考博客之前的文章——网站的活跃用户与流失用户。有了定义我们就可以做统计和细分了,还是以电子商务网站为例,电商网站的内容就是商品,我们基于每个商品计算购买这些商品的用户中购买后造成流失的用户比例,如下:
这里的指标定义应该比较明确,每个商品的流失用户比例应该是购买该商品后流失的用户数在所有购买该商品的用户中的占比,但只知道每个商品的流失用户比例无法评价这个商品是否对用户保留有促进作用,或者在一定程度上造成了用户的流失,只有通过与总体水平的比较才能得出相应的结论。所以这里需要重点解释的是“与总体比较”这个数值是怎么计算的到的,这里的百分比不是直接相减的结果,而是一个差异的幅度体现,这里假设总体用户流失率为56%,那么以A商品为例,与总体比较的结果是:( 58.13% – 56% ) / 56% = 3.80% ,使用同样的计算方法也可以得到其他商品与总体比较的差异幅度。最后就是展示,在Excel里面通过“条件格式”里面的数据条功能可以直接展现出图中的效果,非常方便。
很明显,上面图中的分析结果对运营调整有直接的指导性,目的是促进用户保留,所以我们要做的就是将有利于用户留存的商品(F商品的用户流失率明显要比总体低得多,说明F产品更有利于用户保留)推荐给用户,而将那些可能导致用户流失的商品(C商品)进行优化或者下架。
同样,使用上面的方法可以区分不同用户群的购买偏向。新老用户的细分是最常见的用户细分方法,我们可以使用类似的方法来看看新老用户对商品的不同喜好:
从上图中你看出了什么?购买D商品的用户中新用户的比例明显偏低,也许新用户根本就不喜欢这个商品,而B商品和F商品显然更加符合新用户的口味。如果你的网站可以进行新老用户区分的定向推广,那么上面这个分析结果将让你受益良多。
当然,这个数据呈现的特征可能跟商品的推广渠道有一定的关系,比如上图的D商品比较多的是使用老用户比较集中的推广渠道(比如EDM),那么自然购买用户中老用户的比例会偏高;或者把某些商品放在新用户比较集中的Landing Page中展示,那么购买该商品的新用户比例也显然会偏高。所以,在做诸如此类的分析时需要注意根据推广渠道的差异,具体问题具体分析,不能一概而论。
使用同样的方法也可以促成用户的多次购买。对于电子商务网站而言,用户的首次购物体验非常重要,这将会直接影响用户是不是会产生再次或者之后的多次购买,或者是否能够成为网站的忠诚客户。如果你的网站注重用户关系管理,那么你可以尝试下使用下面的分析方法:
需要注意的是这里的基础用户群设定在了每个商品的首次购买用户(不是所有),我们要分析的是所有将该商品作为首次购买商品的情况下,用户是否还会发起之后的再次甚至多次购买行为,从而评价商品对于首次购买体验的影响好坏。从上表可以看出,B商品和F商品在促成二次购买的表现不佳,很有可能商品的使用或质量问题影响了用户的满意度,阻碍了用户再次购买的脚步。根据分析结果,我们尤其需要对那些二次购买率比总体水平低非常多的商品进行重点关注,同时也需要根据商品的特征进行分析,有些商品确实比较容易促成二次购买,因为可能存在交叉销售和向上营销的情况。
其实本来想把这篇文章拆分成多篇整成一个系列专题,因为从实现层面而言,每一块的用户细分的分析都需要独立完成,而且大部分要从底层的数据计算得到,如果你从Google Analytics上面从寻找类似的数据,其实唯一可以找到的就只有新访问比例,而且在内容模块里面细分到每个页面的指标也未包含% New Visits(在流量来源、地域细分里面有该度量),当然你可以自定义报告来查看网站每个页面的新访问比例,比较的基准还是网站总体的新访问比例,GA的展现方式选择里面直接提供了与总体比较的视图“Comparison”,下图是我做的自定义报表:
GA上面的展现的效果跟用Excel 2010上面定制条件格式后的效果很像(2010可以展现正负值在坐标轴左右侧区分的红绿数据条,2007貌似还未实现此功能),这种基于基准的比较展现非常直观使用,其实在其它的分析中同样可以用到。那么你从我的博客的各内容新用户比例比较分析中看出了什么?访问数排在前几名的文章中很明显的趋势就是概念性方法论的文章新用户比例高于均值(当然主要靠搜索引擎的帮忙),而观点性和分析性的文章的新用户比例低于均值(老用户更偏向于实践和应用 ),所以如果我的博客可以动态向新用户和老用户展现不同的内容,那么这个分析将十分具有价值,也许你的网站可以尝试下。
最后还是回到一开始的问题,需要总结的是:细分是用于比较的,比较是为了反映差异进而做出调整优化的,所以细分的目的最终还是指导运营决策,这个才是数据分析的价值体现。
以旧版 Google Analytics 为例,主要设置入口如下图:
任何一个 Google Analytics 账户都一定要设置一个原始配置文件,建议该配置文件除了过滤公司内部访问之外,其余都不设置,原始数据非常重要啊。
Google Analytics 帮助:如何添加配置文件?,不赘述。如下图:
用于测试各种过滤器是否正常工作,没有问题之后再应用到其他配置文件。
主要可用于 Google Analytics 账户分部门分岗位分配权限。为什么一开始就要把这些流量细分出来?这是因为新创建的配置文件统计数据是从创建当天才开始工作的,历史数据不会被同步,有的时候随着公司的发展,人员和组织架构的变动,会对 GA 账户权限管理有越来越多的需求,那提前创建好这些细分了渠道流量的配置文件就非常有必要了。
1、创建细分 SEO 流量的配置文件,创建过滤器仅包含 SEO 流量来源的访问(organic),可以通过用户管理器来指定SEO部门只查看SEO流量。
2、创建细分 SEM 流量的配置文件,创建过滤器仅包含 SEM 流量来源的访问(cpc),同上。
3、其他渠道流量来源的配置文件按照网站运营及营销需求进行创建,如:edm 流量、cpm流量。
1、创建包含官网主机名的配置文件:有的时候会发现我们自己官网的 Google Analytics 代码被别人的网站有意无意添加,这个时候就可能需要过滤掉这些非自己网站主机名下的流量。
如何才能知道别人网站添加了我的 GA 代码?如果有,那在“GA 后台 访问者 -> 网络属性 -> 主机名”下面可以看到,新版 GA 是在“标准报告 -> 受众群体 -> 技术 -> 广告网络”下面,服务提供商后面一个选项就是主机名。
2、过滤官网主机名的配置文件:看看到底是哪些网站添加我的 GA 代码。
建议所有配置文件都添加过滤公司内部访问的过滤器,特别是公司员工数量很多的话,对总体数据还是影响很大的(当然,也可以专门创建一个配置文件,创建仅包含公司内部访问的过滤器来看看到底有多少访问是内部产生的,呵呵)。
Google Analytics 帮助:如何创建过滤器?,不赘述。
Google Analytics 帮助:如何排除特定 IP 地址段的点击量?,不赘述。可能比较麻烦的是 IP 地址段的过滤设置,单个 IP 地址过滤好办,如下图:
以上五条 Google Analytics 设置心得,权当抛砖引玉了,如果您还有其他 GA 设置建议,欢迎分享交流。
来源:读者投稿,原文链接。
当谈到Bounce Rate,就不能不谈谈Exit Rate,这两个相近又不同的哥俩,他们对我们衡量网站页面的质量具有重要作用。
先说说他们的定义:Bounce Rate的意思是,从某个特定的页面进入网站的Visit中,有多少百分比什么都没有做(没有点击任何链接),然后就离开了网站(即关闭了这个特定的页面)。例如,你从搜索引擎上搜索“Bounce Rate”和“Exit Rate”的结果页面中访问我的这篇文章——http://www.chinawebanalytics.cn/?p=134,但显然这篇文章没有引起你的任何兴趣,因此你关闭了这篇文章的浏览器窗口,这对我的网站和对这个页面而言就是一个Bounce。而所有这种Bounce掉的Visit除以总的Visit就是Bounce Rate。(请看看我的这篇文章,对Bounce Rate定义的有更详细的介绍。)【未完,请点击文章标题阅读全文】
再看看Exit Rate,它的汉语译名是“出站率”。Exit Rate的意思是,对某一个特定的页面而言,从这个页面离开网站的Visit占所有访问到这个页面的Visit的百分比。例如,你还是通过搜索引擎进入到我的网站,点击了不少链接,查看了好几个关于Bounce Rate的文章,直到你走到现在这篇文章——http://www.chinawebanalytics.cn/?p=134时,你觉得对Bounce Rate的了解已经足够了,因此,你关闭了浏览器窗口,结束了对我的网站的访问。这时,对于页面http://www.chinawebanalytics.cn/?p=134而言,这个访问是一个Exit的访问,但对此页面之前你访问的其他页面而言,则不是Exit,因为你没有这些页面离开我的网站。
是不是很简单?我做一个图来更清晰的说明,这个图是由Florian提供的思路。
图1:这个图描绘了1个Bounce。进入网站,没有点击任何页面上的链接访问网站上的其他页面,成为这个网站和Page A的1个Bounce
图2:这个图说明了Exit的情况。Visit y从Page C(C页面)离开了网站,因此,Visit y增加了Page C的一个Exit。但对其他页面(Page A,B,D,E,F)而言,visit y都不是Exit Visit,即没有增加这些页面的Exit。
简单总结两个图:
图1:
图2:
关于Bounce Rate和Exit Rate,我还想做进一步的比较,以帮助进一步理解它们(没看累吧!):
好了,终于到了该结束的时候——这个文章是否有些超长了?告诉我吧!——否则这个文章的Exit Rate会创新高的:)。当然,写了这么多,很想看到你们的任何评论,可以是问题,可以是见解,也可以是讨论和辩驳。总之,期待你给我留言,写点儿什么。谢谢!
via:宋星–网站分析
回访者比率 Repeat Visitor Share
计算公式:回访者比率=回访者数/独立访问者数
指标意义:衡量网站内容对访问者的吸引程度和网站的实用性,你的网站是否有令人感兴趣的内容使访问者再次回到你的网站。
指标用法:基于访问时长的设定和产生报告的时间段,这个指标可能会有很大的不同。绝大多数的网站都希望访问者回访,因此都希望这个值在不断提高,如果这个值在下降,说明网站的内容或产品的质量没有加强。需要注意的是,一旦你选定了一个时长和时间段,就要使用相同的参数来产生你的报告,否则就失去比较的意义。
积极访问者比率 Heavy User Share
计算公式:积极用户比率=访问超过11页的用户/总的访问数
指标意义:衡量有多少访问者是对网站的内容高度的兴趣
指标用法:如果你的网站针对正确的目标受众并且网站使用方便,你可以看到这个指标应该是不断的上升。如果你的网站是内容型的,你可以针对不同类别的内容来区分不同的积极访问者,当然你也可以定义20页以上的才算是积极的访问者。
忠实访问者比率 Committed Visitor Share
计算公式:访问时间在19分钟以上的用户数/总用户数
指标意义:和上一个指标的意义相同,只是使用停留的时间取代浏览页数,取决于网站的目标,你可以使用两个中的一个或结合使用。
指标用法:访问者时长这个指标有很大的争议,这个指标应结合其它的指标一起使用,例如转换率,但总体来说,较长的访问时长意味着用户喜欢呆在你的网站,高的忠实访问率当然是较好的。同样的,访问时长也可以根据不同的需要自行设定。
忠实访问者指数 Committed Visitor Index
计算公式:忠实访问者指数=大于19分钟的访问页数/大于19分钟的访问者数
指标意义:指的是每个长时间访问者的平均访问页数,这是一个重要的指标,它结合了页数和时间。
指标用法:如果这个指数较低,那意味着有较长的访问时间但是较低的访问页面(也许访问者正好离开吃饭去了)。通常都希望看到这个指数有较高的值,如果你修改了网站,增加了网站的功能和资料,吸引更多的忠实访问者留在网站并浏览内容,这个指数就会上升。
忠实访问者量 Committed Visitor Volume
计算公式:忠实访问者量=大于19分钟的访问页数/总的访问页数
指标意义:长时间的访问者所访问的页面占所有访问页面数的量
指标用法:对于一个靠广告驱动的网站,这个指标尤其值得注意,因为它代表了总体的页面访问质量。如果你有10000的访问页数却仅有1%的忠实访问者率,这意味着你可能吸引了错误的访问者,这些访问者没有啥价值,他们仅仅看一眼你的网页就离开了。这是你应该考虑是否广告的词语产生了误解。
访问者参与指数 Visitor Engagement Index
计算公式:访问者参与指数=总访问数/独立访问者数
指标意义:这个指标是每个访问者的平均会话(session),代表着部分访问者的多次访问的趋势。
指标用法:与回访者比率不同,这个指标代表着回访者的强烈度,如果有一个非常正确的目标受众不断的回访网站,这个指数将大大高于1;如果没有回访者,指数将趋近于1,意味着每一个访问者都有一个新的会话。这个指数的高低取决于网站的目标,大部分的内容型和商业性的网站都希望每个访问者在每周/每月有多个会话(session);客户服务尤其是投诉之类的页面或网站则希望这个指数尽可能地接近于1。
回弹率(所有页面)Reject Rate/Bounce Rate
计算公式:回弹率(所有页面)=单页面访问数/总访问数
指标意义:代表着访问者看到的仅有的一页的比率
指标意义:这个指标对于最高的进入页面有很重要的意义,因为流量就是从这些页面产生的,当你对网站的导航或布局设计进行调整时尤其要注意到这个参数。总而你是希望这个比率不断地下降。
回弹率(首页)Reject Rate/Bounce Rate
计算公式:回弹率(首页)=仅仅访问首页的访问数/所有从首页开始的访问数
指标意义:这个指标代表所有从首页开始的访问者中仅仅看了首页的访问者比率
指标意义:这个指标是所有内容型指标中最重要的一个,通常我们认为首页是最高的进入页面(当然,如果你的网站有其他更高的进入页面,那么也应该把它加入到追踪的目标中)。对任意一个网站,我们可以想象,如果访问者对首页或最常见的进入页面都是一掠而过,说明网站在某一方面有问题。如果针对的目标市场是正确的,说明是访问者不能找到他想要的东西,或者是网页的设计上有问题(包括页面布局、网速、链接的文字等等);如果网站设计是可行易用的,网站的内容可以很容易地找到,那么问题可能出在访问者的质量上,即市场问题。
浏览用户比率 Scanning Visitor Share
计算公式:浏览用户比率=少于1分钟的访问者数/总访问数
指标意义:这个指标一定程度上衡量网页的吸引程度。
指标用法:大部分的网站都希望访问者停留超过一分钟,如果这个指标的值太高,那么就应该考虑一下网页的内容是否过于简单,网站的导航菜单是否需要改进。
浏览用户指数 Scanning Visitor Index
计算公式:浏览用户指数=少于1分钟的访问页面数/少于1分钟的访问者数
指标意义:一分钟内的访问者平均访问页数
指标用法:这个指数也接近于1,说明访问者对网站越没兴趣,他们仅仅是瞄一眼就离开了。这也许是导航的问题,如果你对导航系统进行了显著的改进,应该可以看到这个指数在上升;如果指数还是下降,应该是网站的目标市场及使用功能有问题,应该着手解决。
将浏览用户比率和浏览用户指数结合起来使用,可以看出用户是在浏览有用的信息还是厌烦而离开。
浏览用户量 Scanning Visitor Volume
计算公式:浏览用户量=少于1分钟的浏览页数/所有浏览页数
指标意义:在一分钟内完成的访问页面数的比率
指标用法:根据网站的目标的不同,这个指标的高低有不同的要求,大部分的网站希望这个指标降低。如果是搞广告驱动的网站,这个指标太高对于长期的目标是不利的,因为这意味着尽管你通过广告吸引了许多的访问者,产生很高的访问页数,但是访问者的质量却是不高的,所能带来的收益也就会受到影响。
二、网站分析的商业指标
平均订货额 Average Order Amount (AOA)
计算公式:平均订货额=总销售额/总订货数
指标意义:用来衡量网站销售状况的好坏
指标用法:将网站的访问者转化为买家当然是很重要的,同样重要的是激励买家在每次访问是购买更多的产品。跟踪这个指标可以找到更好的改进方法。
转化率 Conversion Rate (CR)
计算公式:转化率=总订货数/总访问量
指标意义:这是一个比较重要的指标,衡量网站的对每个访问者的销售情况
指标用法:通过这个指标你可以看到即使一些微小的变化都可能给网站的收入带来巨大的变化。如果你还能够区分出新、旧访问者所产生的订单,那么就可以细化这个指标,对新旧客户进行分别的统计。
每访问者销售额 Sales Per Visit (SPV)
计算公式:每访问者销售额=总销售额/总访问数
指标意义:这个指标也是用来衡量网站的市场效率
指标用法:这个指标和转化率差不多,只是表现形式不同。
单笔订单成本 Cost per Order (CPO)
计算公式:单笔订单成本=总的市场营销开支/总订货数
指标意义:衡量平均的订货成本
指标用法:每笔订单的营销成本对于网站的盈利和现金流都是非常关键的。营销成本的计算各人有不同的标准,有些把全年的网站营运费用摊入到每月的成本中,有些则不这么做,关键要看那种最适合自己的情况。如果能够在不增加市场营销成本的情况下提高转化率,这个指标就应该会下降。
再订货率 Repeat Order Rate (ROR)
计算公式:再订货率=现有客户订单数/总订单数
指标意义:用来衡量网站对客户的吸引力
指标用法:这个指标的高低和客户服务有很大关系,只有满意的用户产品体验和服务才能提高这个指标。
单个访问者成本 Cost Per Visit (CPV)
计算公式:单个访问者成本=市场营销费用/总访问数
指标意义:用来衡量网站的流量成本
指标用法:这个指标衡量的是你的市场效率,目标是要降低这个指标而提高SPV,为此要将无效的市场营销费用削减,增加有效的市场投入。
订单获取差额 Order Acquisition Gap (OAG)
计算公式:订单获取差额=单个访问者成本(CPV)-单笔订单成本(CPO)
指标意义:这是一个衡量市场效率的指标,代表着网站所带来的访问者和转化的访问者之间的差异
指标用法:指标的值应是一个负值,这是一个测量从非访问者中获得客户的成本。有两种方法来降低这个差额,当你增强了网站的销售能力,CPO就会下降,这个差额就会缩小,说明网站转化现有流量的能力得到了加强;同样的,CPV可能升高而CPO保持不变或降低,这个差额也会缩小,表明网站所吸引的流量都具有较高的转化率,这种情形通常发生在启用了PPC(pay per click)的计划。
订单获取率 Order Acquisition Ratio (OAR)
计算公式:订单获取率=单笔订单成本(CPO)/单个访问者成本(CPV)
指标意义:用另一种形式来体现市场效率
指标用法:用比率的形式往往比较容易为管理阶层所理解,尤其是财务人员。
每笔产出 Contribution per Order (CON)
计算公式:每笔产出=(平均订货数X平均边际收益)-每笔订单成本
指标意义:每笔订单给你带来的现金增加净值
指标用法:公司的财务总监总是对这个指标感兴趣的,代表了你花了多少钱来赚多少钱。
投资回报率 Return on Investment (ROI)
计算公式: 投资回报率=每笔产出(CON) /每笔订单成本 (CPO)
指标意义: 用来衡量你的广告的投资回报
指标用法:比较你的广告的回报率,应该把钱分配给有最高回报率的广告,但是这个回报率应当要有时间段的限制,比如“25% RIO/每周”和“25% RIO/每年”是有很大差别的。
下面研究的亚马逊推荐指的是在 “Your” Amazon.com页面的产品推荐, 在其他页面,还有其他类型的基于你的浏览、购买和历史行为的推荐内容(这不包括你正在浏览产品时,出现的浏览该产品的人也购买了xx)。
首先先来看看有多少人会使用这个个性化推荐页面,我们可以发现过去一年中平均只有5%的月访客访问了这个页面。事实上,去年秋季,访客的量还下降了。
在了解完有多少用户访问“他们的” Amazon.com后,我们再来看看有多少人将亚马逊推荐的产品添加到他们的购物车中。数据可以发现平均有5.31%的推荐产品访问中有产品被添加到购物车中。二对比下亚马逊的总体访问情况,平均有9.13%的产品页面访问被添加到购物车中。看起来亚马逊的产品推荐在促进购物车的转化方面没有普通的页面强
既然用户添加推荐商品到购物车的比例不高,那么他们的结账的比例又怎样?平均来看,只有不到2%的推荐产品到了结账环境,二亚马逊总体的浏览情况是,9%的产品页面浏览会导致购买行为。因此这些推荐的产品的转化率其实真不高。
造成这个的原因是可以理解的,显然用户在主动上去浏览商品时,需求和目的性要更加明显,这个远比亚马逊基于你的过去行为给你的推荐要精准有效多了。
via:picsays